由于點云不是常規數據格式，通常將此類數據轉換為規則的 3D 體素網格或圖像集合，然后再用神經網絡進行處理。數據表示轉換使生成的數據過于龐大。

PointNet是第一個直接處理原始點云的方法。只有全連接層和最大池化層，PointNet網絡在推理速度上具有強大的領先優勢，并且可以很容易地在CPU上并行化。

應對點云的無序性有三種方案：

方案1：排序

高維空間的排序，不可穩定。

方案2：假如有N個點，N！種排列訓練一個RNN。

2015年《Order Matters: Sequence to sequence for sets》證明RNN網絡對序列的排序還是有要求的。

方案3：設計對稱函數，因為輸入順序對于對稱函數沒有影響。比如：加法、乘法

PointNet使用的最大池化，是對稱函數。

分類網絡以n個點為輸入，應用輸入和特征變換，然后通過最大池化聚合點特征。輸出是 k 個類的分類分數。

Pointnet網絡的搭建（tensorflow版）：

class PointNet(Model):def __init__(self):super(PointNet, self).__init__()self.MLP64 = layers.Conv1D(filters=64, kernel_size=1, strides=1, padding="valid", activation="relu")self.MLP1024 = layers.Conv1D(filters=1024, kernel_size=1, strides=1, padding="valid", activation="relu")self.Dense10 = layers.Dense(10, activation="softmax")def call(self, inputs, training=None, mask=None):x = self.MLP64(inputs)#（Batch，1,1000,64）print(x.shape)x = self.MLP1024(x)#（Batch，1,1000,1024）print(x.shape)x = tf.reduce_max(x, axis=1)#（Batch，1,1024)print(x.shape)x = layers.Flatten()(x)x = self.Dense10(x)#(Batch,10)print(x.shape)return xmodel = PointNet()
input_shape = (1, 1000, 3)
model.build(input_shape)
model.summary()

這是我看pointnet論文后復現的分類網絡，由于以前總是對圖像進行2D卷積，這里對輸入的理解還不深刻。采用了（B，H,W,C）的輸入結構,因為是每個點有3個特征，所以將其處理為（B,1,W,C）的結構。但后期發現其比較復雜，所以改進了一下，使用（B，Len，C）的輸入結構。

在深度學習中，處理點云數據（Point Cloud Data）或3D形狀數據與傳統的2D圖像數據有所不同。

原始輸入結構: (B, H, W, C)

• B：代表批次大小（Batch Size），即一次輸入到網絡中的樣本數量。
• H?和?W：在2D圖像中，它們分別代表圖像的高度（Height）和寬度（Width）。但在處理點云數據時，由于點云本質上是一組無序的點集合，所以這里的 H 和 W 可能并不是直觀意義上的“高度”和“寬度”。在某些情況下，它們可能被用來表示某種形式的網格化點云，但這并不是PointNet的初衷。
• C：代表通道數（Channels），對于RGB圖像來說，C=3（紅、綠、藍）。但在點云數據中，每個點可能有多個特征，比如三維坐標（x, y, z）以及其他屬性（如顏色、密度等）。

轉換為 (B, 1, W, C)

• 將 H 設置為 1 可能是為了嘗試將點云數據強制適配到更常見的4D張量結構（即 (B, H, W, C)），但這并不是處理點云數據的最佳方式。因為點云數據中的點是無序的，并且沒有固定的網格結構。

改進后的輸入結構: (B, Len, C)

• B：仍然代表批次大小。
• Len：代表每個樣本中點的數量（Length of points）。這是處理點云數據的更自然的方式，因為它直接反映了點云數據的特點——即一組無序的點集合。
• C：仍然代表每個點的特征通道數。

使用 (B, Len, C) 的輸入結構可以更直接地處理點云數據，并且符合PointNet的設計初衷。

def Point_MLP(inputs, num_filters, use_bn=True, activation='relu'):x = layers.Conv1D(num_filters, kernel_size=1, activation=activation, padding='valid')(inputs)if use_bn:x = tf.keras.layers.BatchNormalization()(x)x = tf.keras.layers.Activation(activation)(x)return xdef Model_Point(point_num, feature_num, mode):inputs = layers.Input(shape=(point_num, feature_num))x64 = Point_MLP(inputs, 64) #(B,N,64)x512 = Point_MLP(x64, 512)x1024 = Point_MLP(x512, 1024) #(B,N,1024)gloable = tf.reduce_max(x1024, axis=1) #(None, 1024)if mode == "clc":x = layers.Flatten()(gloable)x = layers.Dense(10, activation="softmax")(x)model = Model(inputs=inputs, outputs=x)if mode == "seg":global_feature_tiled = tf.tile(tf.expand_dims(gloable, 1), [1, tf.shape(x512)[1], 1])concatenated_features = tf.concat([x512, global_feature_tiled], axis=2)#concatenated_features 的形狀是 (batch_size, num_points, local_feature_dim + global_feature_dim)model = Model(inputs=inputs, outputs=concatenated_features)return modelPointNet = Model_Point(10000, 3, mode="clc")
PointNet.summary()