前沿论文解读

PointNet:直接吃点云,不必先体素化

PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

Qi et al. · 2017 · arXiv:1612.00593

基础文献 · 不轮换
2017
它问的问题

点云无序、稀疏,能否设计一个对排列不变、直接处理点的网络?

他们怎么做的

共享 MLP + 对称聚合(max pool),再加变换不变性模块。

证据

ModelNet / ShapeNet 上的分类与分割达到当时最好,且更轻。

别信太多

对局部几何细节不敏感;逆向工程里 0.05 mm 级的偏差它看不见。

适用边界

缺少局部邻域建模(后续 PointNet++ 补足);对密度变化敏感;不保证尺寸精度。

课堂任务

用扫描点云做零件分类,再测关键尺寸,比较“分类对”与“尺寸对”的差距。

基础文献 = 这门方法的代表作,长期保留:它解释“这类方法为什么成立”,不会因为年份旧而被换掉。
原文 关联章节: 点云索引:百万点怎么查 标签噪声:数据质量决定上限 返回学习页