一.点云性质

1.无序性（结果与输入顺序无关，结构相同）
2.稀疏性，噪声…
3.几何旋转鲁棒性（平移、旋转、尺度等不影响结果）

二、任务

分类、3D物体重建、3d关键点、配准、分割、目标检测、法向量估计

三.数据集

四、3d场景深度学习方法回顾

1.转换为栅格数据(volumetric data)+3D cnn
2.多视角图像（multi_view images）+2D CNN
3.mesh data +gnn(图神经网络)
4.深度图像+ cnn
5.点云 +cnn

分类：基于3D点、基于二维投影点

五、具体网络介绍：Pointnet

1.概述：

pointnet代码：https://mp.weixin.qq.com/s/2JxsMR3NNT1WCfkkY6FHCg

input(n*3) ——T-net（相当于矩阵，点云数据对齐） ——MLP(多层感知机，升维至64) ——T-net ——MLP（升维至1024） ——max pooling（每一维最大值，得到1024向量） ——MLP（降维至K）

2、关键1：max pooling（接在在mlp后：解决点云无序性，无论输入什么，最终结果不变）
理论证明：在hausdorff空间连续下，max方法后接MLP可无限逼近目标函数F

3.关键2：T-net（借鉴STN网络，保证点云几何不变性，不用担心点云姿态,无平移不变形？）

4.总结

六、具体网络介绍：Pointnet++

1.概述

2.点集抽象三部分：采样+分组+pointnet（以二维图形式表示）

引入局部坐标保证平移不变形！


3.问题：密度的影响

在点数少时，pointnet++与pointnet精度对比

4.问题解决：MSG(多尺度)及MRG（多分辨率），多分辨率可大大减少耗时

5.pointnet的延伸：2D目标检测，根据结果建立三维视锥，最后进行3D检测

七、具体网络介绍：Pointcnn：X（希腊字母，读xi？）变换

1.概述：x变换，类似于卷积操作

2.平移不变形解决

3.性能比较

八、当前工作汇总与数据集