今天要聊的论文是斯坦福大学Charles等人在CVPR2017上发表的论文，提出了一种直接处理点云的深度学习网络——PointNet。
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation.
可以说，这篇论文具有里程碑意义。为什么这么评价？
因为在PointNet之前，点云没办法直接处理。
由于点云是三维的、无序的，别说深度神经网络了，就是普通算法很多都不能奏效。
于是人们想出来各种办法，比如把点云拍扁成图片（MVCNN），比如把点云划分成体素（类似游戏“我的世界”里的场景），再比如把点云划分成节点然后按顺序拉直（O-CNN）等等。总之，点云先要被处理成“非点云”。这些想法怎么样呢？其实也挺不错的，也能取得较好的结果。比如MVCNN的有些指标就不输PointNet。
这时候我们就会觉得，冥冥中一定存在一种网络，可以摆脱上面这些操作。于是，PointNet出现了，从此点云处理领域分成“前PointNet时代”和“后PointNet时代”。接着，各种直接处理点云的网络也纷纷出现，如PointCNN、SO-Net，效果也是越来越好。
由于做点云的人对这篇论文肯定都比较熟悉了，这里就不按照论文顺序详细展开了，只把PointNet的几个创新点简单提一提。
1
针对点云无序性——采用Maxpooling作为对称函数。最大池化操作就是对所有成员进行比较，把最大的留下来，其余舍弃掉，所以，不管顺序如何变化，最大值是不会改变的。
对称函数是什么意思？例如加法就是对称函数，1+2+3+4=10，换个顺序，2+4+3+1=10，不管顺序如何变化，对结果不会产生影响。
2
针对刚体变化——对齐网络T-net。T-net对性能的提升作用也还是有的，两个T-net加上regularization 贡献了2.1个百分点，但奇怪的是在PointNet++的代码中，已经看不到T-net了（这一点论文没有提及，github上也有人提问，但是作者没有回复）。
3
特征提取阶段采用MLP（多层感知机，说白了就是全连接层），这种结构用到的运算只有乘法和加法，都是对称函数，所以不会受到排序影响。
实验效果
1、分类
数据集是ModelNet40，包含40类物体的CAD，通过采样获得点云。这里作者没有把MVCNN列出来，因为精度没有比过它，不过后来的改进版已经超过了。
2、物体分割：
3、参数量与MVCNN的对比：明显占优。
代码部分将在下一篇文章讲解。
后续还会陆续讲到其他网络，并与PointNet做对比。
