博客原文 https://blog.csdn.net/yongxiebin9947/article/details/79368752
PointNet 是斯垣福大学在2016年提出的一种点云分类/分割深度学习框架。众所周知，点云在分类或分割时存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上，也因此在点云领域产生了许多基于将点云体素化（格网化）的深度学习框架，取得了很好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失，并且额外增加了工作量，而 PointNet 采用了原始点云的输入方式，最大限度地保留了点云的空间特征，并在最终的测试中取得了很好的效果。
主要是那张流程图。文章中的其他地方基本都是对各种方法的比较与数学证明，前者一直在说为啥我这个框架中的这个地方要用这个方法，对理解这个框架用途不大；而后者我直接跳过了，等有兴趣了（N年过后？）再来深究。
这里主要说一下PointNet的程序在分类模块实现的大致流程。
PointNet 官方使用了 tensorflow 实现，代码写的相当工整易读，而这个方法在代码中实现起来也比论文中看起来更简单。其主要分成以下三部分：数据处理 TF图谱构建 开始学习
数据处理，将点云处理成程序可用的格式，具体实现在 provider.py 中，主要包含了数据下载、预处理（shuffle、rotate等）、格式转换（hdf5->txt）
TF图谱
构建，绿线框是一些很常规的操作，对应流程图中相对应的部分看看就好了。
红线框部分才是这篇论文一直在强调、证明的部分。下面先看一下第一个红线框中 input_transform_net() 对应的代码部分（下图）。可以看出，文章中的转换矩阵是使用额外一个小网络（T-Net），对其输入训练数据而学习得到的3*K的矩阵（K=3）。
而第二个转换矩阵微微有些不同，由于当进行到这一步的时候，点云已经被处理成了一条条的特征向量（B*N*1*K）。输入不同了，网络结构和参数也自然有了一些变化。最终输出 B*K*K 的转换矩阵。
在网络图谱整体框架搭好之后，就可以用TF提供的API进行训练了。
以上即为 PointNet
分类网络的大致框架。
博客原文 https://blog.csdn.net/yongxiebin9947/article/details/79368752