论文地址：PointNet网络
代码地址：https://github.com/charlesq34/pointnet
windows10环境配置可参考这篇文章：windows下运行pointnet（全）

一、 网络结构

下图是网络的整体结构（分类和分割网络），其中蓝色框是：分类网络，黄色框是分割网络。

1、下载数据集

主要讲解部件分割，所以这里先提供Part Segmentation所需要的数据集：

1）训练集：
数据下载：h5文件（HDF5_data）
存放位置：…\part_seg\hdf5_data

2）测试集：
数据下载：PartAnnotation（注意该链接中对应的数据集有两部分，因此下载时两部分务必都要下载）
存放位置：…/part_seg/PartAnnotation。
HDF5文件解压放在pointnet-master/part_seg/hdf5_data。

2、网络简单解析

1）基本出发点

问题： 为什么要使用mlp进行升维处理？

回答：直接用max函数（简单粗暴，不可采取）

如上图所示：假设该点云输入为（2048,3)，其中2048表示点云数量，3表示维度（x,y,z）。倘若三维的点云经过max处理后，即所有点取每个维度处的最大值，最终会得到一个三维点云（2,3,4），如果要对该三维物体分类成10个类别，则参数不够，无法进行处理，因此需要升维处理后再做Max操作（其实就是神经网络的隐层）。

2）基本模型架构

假设三维点云为（2048,3），在进行分割或分类时，先分别对每个点通过上图的蓝色背景MLP函数（h函数）进行特征提取（卷积或者全连接），将feature map通过MAX得到global feature，再通过mlp进行输出，公式如下所示：

3、存在的挑战

点云的几个特点：
1.无序性 --> 对称函数设计用于表征
2.点不是孤立的，需要考虑局部结构 --> 局部全局特征结合
3.放射变换无关性 --> alignment network

4、贡献

PointNet之所以影响力巨大，并不仅仅是因为它是第一篇，更重要的是它的网络很简洁（简洁中蕴含了大量的工作来探寻出简洁这条路）却非常的work，这也就使得它能够成为一个工具，一个为点云表征的encoder工具，应用到更广阔的点云处理任务中。

MLP+max pooling竟然就击败了众多SOTA，令人惊讶。另外PointNet在众多细节设计也都进行了理论分析和消融实验验证，保证了严谨性，这也为PointNet后面能够大规模被应用提供了支持