paper：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
与普通的2D图片不同，点云数据是空间中离散的点（和3D图像不同的是，点云是稀疏的），见下图：
上图左为2D图像，右图为点云，点云数据包含点的颜色位置等信息。
点云由3D扫描技术得到，点云具有以下特点：
- 稀疏性：点云数据仅存在于物体表面。
- 数据缺失：由于遮挡导致部分表面未被扫描到。
- 数据噪声：仪器本身的精度或者环境因素导致。
- 非均匀性：由仪器的采样策略、相对位置、扫描范围等因素引起。
一、引言
在语义分割任务中，通常 使用卷积神经网络完成分割任务（2D图片使用2D卷积，3D医疗图像使用3D卷积），但是由于点云数据的稀疏性，卷积神经网络不能直接应用到点云分割任务中。
PointNet提出使用神经网络实现点云分类和点云分割，并且获得了极好的效果，主要贡献如下：
1、针对3D无序的数据点集，设计了一个新的神经网络模型；
2、使用神经网络完成了3D数据形状分类、分割任务；
二、PointNet
1、数据特点
点云数据有以下几个特点：
无序性（Unordered）：点云是空间中离散的点，没有顺序，对于3D空间中的N个点，共有N！种排序；
关联性（ Interaction among points）：对于某个点，该点和其相邻的点具有相关性；
不变性（Invariance）：整体的旋转和平移不改变点云的种类和语义分割的结果。
2、PointNet
PointNet网络结构如下图所示，需要注意的是分类网络和语义分割网络的区别，语义分割网络需要对每个像素点分类，故将全局特征和局部特征结合后再进行像素分类。
a、Symmetry Function for Unordered Input
对于无序的点云输入，它的排列有很多种，然而多种排列对于点云的分类和分割结果应该无影响，故需要设计一个函数，它能对不同顺序的输入点集输出相同的结果。这里简单说一下论文实现的流程。
假设有N个点，每个点数据维度为6（x,y,z,r,g,b），那么输入的维度为[N, 6]，将输入放入多层mlp网络，得到输出维度为[N，C]（这个时候N个无序的点有N！种排序），在维度N取最大值得到输出[C]，即可实现对任意排序得到相同的特征。
b、Local and Global Information Aggregation
对于语义分割任务，使用max pool提取全局特征后，将全局特征和像素级特征concat，增加特征图的上下文语义信息。
c、Joint Alignment Network
点云数据经过旋转平移等变换后，它的像素标签并不会变化，故网络需要学习到一种表征能力，使得点云数据经过变换后的特征表示不会发生改变。
PointNet引入了TNet来预测变换矩阵，再高维空间中变换矩阵难以优化（网络结构中当特征维度为64时），故限制特征变换矩阵接近于正交矩阵。
三、PointNet体验
这里使用torch实现的PointNet进行快速，链接：https://github.com/yanx27/Pointnet_Pointnet2_pytorch
Readme中使用方法作者介绍的非常详细，这里不再进行赘述，直接上作者给出的预训练模型在S3DIS上的预测结果，使用MeshLab可视化。（Area5_WC_1）
area_5_hallway_11:
