PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation解析(PointNet模型)

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 675平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄11年

关注

转载最新推荐文章于 2026-03-06 00:03:33 发布 675 阅读 AI 写同款· GEO 优化 ›

[论文解读+复现] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 一、摘要本文提出了一种结构简单的物体检测与点云分割、语义分析的深度学习网络，网络具有置换不变性，文章最后对网络的鲁棒性做出了解释。二、介绍典型卷积网络需要规则的输入，例如像素和体素，目的是可以共享权重参数（weight），一些研究学者会将点云转化为体素或者图像集再传入神经网络，这会导致数据量变得巨大并造成模糊；为此本文使用简单的统一的结构—点云来进行训练，网络名为：PointNe... 阅读详情

收录于

基础学习

当前文章被收录于：

基础学习

21 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

点云网络的论文理解（一）-点云网络的提出 PointNet : Deep Learning on Point Sets for 3D Classification and Segmentation 1.摘要 1.1逐句翻译 Point cloud is an important type of geometric data structure. 点云是一种重要的数据结构。 Due to its irregular format, most researchers transform such data to regular 3D voxel grids or collections of images. 由于其格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 This, how 阅读详情

相关推荐

3D点云-CVPR2017-PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation

3D点云（Point Cloud）、PointNet、PointNet++介绍，包含源码解析

404 Not Found 4306

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

一、基本简介论文下载地址：https://arxiv.org/abs/1612.00593 代码开源地址：https://github.com/charlesq34/pointnet 最近，开始研究基于3D点云的深度学习算法。PointNet 作为点云特征提取的开创性论文，非常有必要好好研究总结。本文在翻译论文时，会结合代码来解释每一个关键点或者关键模块。同时，本文翻译会附英文原文和中文翻译对照，目的是为了让大家能够通过中文理解该论文的同时，也可以参照英文原文，形成自己的理解以及对翻译的勘误。 Ab

DAOCHI 1万+

【论文阅读笔记】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

PointNet: Deep Learning on Point Sets for 3D Classifification and Segmentation（一）论文地址：（二）核心思想：（三）问题陈述：（四）点云数据的性质：（五）PointNet 的网络结构：5.1 无序输入的对称函数：5.2 仿射变换网络 T-net：（六）MLP：（七）实验结果：（把网络原理讲的很清楚）（一）论文地址： ...

梁瑛平的博客 2902

【论文简析+解读+Pytorch实现】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

这篇作为点云深度学习的开山之作，给出了一种直接用点云作为数据输入，用于分类、分割等任务的神经网络框架。该网络尽管结构简单，但是高效且有效。

Javier.Lin_HUST的博客 1382

unity人物刚体移动_Unity3D实现2D人物移动-总结篇

背景最近研究Unity3d，2d寻路的实现。所以又一次涉及到了角色坐标位移的问题。系统的对于角色鼠标点击移动这个简单问题进行整理和总结。本来就是一个简单的几何问题，结果发现已经有两个小坑，顺便填上，这里做下总结。实现需求：通过鼠标点击，控制2d角色移动，就是点哪里，角色向移动到哪里问题分解：按照时间进行动画分解,鼠标输入(动画开始)、平移(动画进行)、移动结束(动画结束)前提：这里前面的文章基本解...

weixin_39610366的博客 1277

WPS专业版自带字体

WPS专业版其中一个好处就是自带了部分有版权的字体，就算你安装了没买授权，他也会给你在系统里面安装上这些字体，至于没授权继续用合不合规我不知道。但是带来的实实在在的好处就是有些子他支持的全啊。 /usr/share/fonts/wps-office/FZWBK.TTF: 方正魏碑_GBK,FZWeiBei\-S03:style=Regular /usr/share/fonts/wps-office/FZFSK.TTF: 方正仿宋_GBK,FZFangSong\-Z02:style=Regular /us

chenqioulin的博客 5707

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

PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation Abstract 由于点云数据的无序性，大多数研究者把它转化为规则的 3D 体素网格或者转化为图像数据集来处理。这样会不必要的增大数据集并且产生一些（像素点失真）问题。本文作者设计了一个新的网络，直接处理点云数据。 1、Introduction ...

chenyutingdaima的博客 1048

VS2022命令行编译C++报错？一招解决‘fatal error C1034: iostream: 不包括路径集‘

本文针对VS2022命令行编译C++时常见的'fatal error C1034: iostream: 不包括路径集'错误，深入剖析了其根源在于环境变量缺失。文章提供了永久配置用户环境变量（PATH、INCLUDE、LIB）的一劳永逸解决方案，确保在任何终端中都能直接使用cl命令进行编译，并给出了进阶配置与常见错误排查指南。

weixin_29011667的博客 304

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

weixin_42106556的博客 790

CELF(Cost-Effective Lazy Forward selection)具有成本效益的惰性前向选择算法

CELF(Cost-Effective Lazy Forward selection)算法解析引言：在社交网络影响力最大化问题的求解过程中，我们往往需要去选择一些目标种子结点作为信息初始传播的源头。贪婪算法在传播效果上的解决可以达到影响的最大化，但是在时间复杂度上面显得确十分糟糕。为此CELF算法应势而生，CELF算法利用了函数次模性的特点，在第一轮选择种子结点时，计算网络中所有节点的边际收益，但将在之后的过程中，不再做网络节点边际收益的重复计算，这相对于传统的贪婪算法，将在时间上得到非常明显的

hahaxq的博客 2477

PCB板设置20H 原则理解

20H原则是PCB设计中抑制EMI辐射的关键方法，要求电源层比相邻地层内缩20倍介质厚度（20H）。在四层板中实现20H原则需采用S-G-P-S层叠结构，确保GND与PWR紧邻。具体步骤包括：确定GND-PWR间介质厚度H，计算20H值（通常80-120mil），并在设计软件中将电源层四周内缩20H，同时保持地层完整不内缩。注意避免常见误区，如混淆介质厚度、地层内缩等。该原则能有效限制边缘场辐射，降低EMI干扰，是四层板EMC设计的重要规范。

qq_37999850的博客 694

《PointNet：Deep Learning on Point Sets for 3D Classification and Segmentation》中文翻译

PointNet：用于3D分类和分割的点集的深度学习摘要：点云是几何数据结构的重要类型。由于其格式不规则，大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。但是，这会导致数据不必要的庞大并导致问题。在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重了输入点中的点的置换不变性。我们的网络，名为PointNet，提供了从对...

我脾气很好 1万+

【知识图谱】Neo4j基本操作及数据库文件导入（graph.db.dump）

初探Neo4j导入数据备份数据客户端操作导入csv文件指定csv文件格式使用命令行导入csv文件附录请读者参考上篇博文 Neo4j安装教程导入数据若开启服务，先在终端停止 Neo4j 服务 ./neo4j stop 接下来，下载射雕三部曲的数据库文件 wget https://labfile.oss.aliyuncs.com/courses/1354/graph.db.dump 下载完将出现 graph.db.dump 文件：将数据库文件导入到 Neo4j 中首先进入neo4j 根目录下：

全网粉丝30W+，优快云、稀土掘金人工智能领域签约作者，人工智能、大模型、Python 爬虫，商务合作，请私信沟通。 8620

PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 复现和代码理解

也是论文里面提及且在当进行Feature-Transform部分的时候要在损失函数加一个尾项部分。为了是在特征转换的时候不损失太多信息将仿射矩阵进行设置为正交矩阵。因为正交矩阵会极大限度的保留维度之间的信息。相互不干扰嘛！

m0_71395104的博客 2339

计算电磁学（三）有限差分方法

有限差分方法（FDM）是一种数值处理方法，通过将偏微分方程变换为一组代数方程，通过求解代数方程组来得到原边值问题的近似值。由于有限差分法非常简单，所以也特别的稳定高效。其中时域有限差分方法（FDTD）是电磁分析中的常用方法。在计算电磁学中，常用有限差分方法(finite difference equations)来替代微分方程。一个有限差分法通常包括三个步骤将求解域划分网格用有限差分方程逼近给定的微分方程求解在给定边界条件和初始状态下的方程常用的网格模型方阵斜方阵三角阵圆形阵。

CCC_B的博客 1640

使用Simulink对基于GaN器件的高频电源进行建模与仿真，重点在于优化其效率

本文介绍了基于Simulink的GaN器件高频电源仿真建模方法。通过7个步骤详细讲解系统构建过程：从创建模型、设置电源、配置GaN开关网络，到添加磁性元件、负载和控制器设计，最后进行仿真分析。重点探讨了效率优化策略，包括开关频率选择、磁性元件优化、散热设计改进及控制策略调整。该教程为GaN器件在电力电子系统中的应用提供了完整的仿真流程指导，有助于设计人员验证方案并优化性能。

amy_mhd的博客 234

[论文解读] PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

点云：一组3D点PI∣i1nPI∣i1...n，其中PiP_iPi由坐标xyz(x,y,z)xyz及其他特征构成。在PointNet这篇论文中，仅使用了坐标。

micaudience的博客 1052

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

【论文精读 | 细节分析 | 代码实现】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

【经典论文点云相关解读】PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

青年有志 3451

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

[LiteratureReview]PointNet Deep Learning on Point Sets for 3D Classification and Segmentation

[LiteratureReview]PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 出处：2017 CVPR，（截止到2022-4-3）Google论文被引7000+次；深度学习点云处理先驱工作； Introduction 背景：典型的卷积架构需要高度规则的输入数据格式，例如image grids或 3D voxels，以便执行权重共享和其他内核优化；由于point cloud（和meshes）的 i

GRF-Sunomikp31 3980

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

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

背景：点云是3D几何数据的一种重要结构，但其不规则性使得传统深度学习方法难以直接应用。贡献：提出了PointNet，一种新型神经网络，能够直接处理点云数据，保持对输入点排列的不变性。性能：在多个3D识别任务上，PointNet表现出与或超过最先进技术的性能。

m0_51657509的博客 1096

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

PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation PointNet：3D点集分类与分割深度学习模型摘要总结： 1.点云是一个重要的数据结构，所以有研究的必要。 2.点云有自己本身的特性，也就是 irregular format（格式不规则），之前的研究人员都想将其转化为一种立体模型，但是这恰恰是丢失了其本身的特性。机器学习，先要提取信息，之后再将提取到的信息进行分析得出结果。我个人理解这里有一个问题就是

qq_51221943的博客 1494

论文翻译 | PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

PointNet是点云领域最经典的论文之一了。目前文章对pointNet进行了详读也比较详细，因此就只写个翻译，再熟悉一下这篇文章。论文： PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation pytorch版本代码：【here】点云是一种重要的几何数据结构。它的形式不规整，因此大多数研究者们都是将它们转换成规则的三维体素网格或图像集的形式处理，但这.............................

bettii的博客 1673

点云配准论文阅读4--PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet

在本文中，我们探索了能够推理 3D 几何数据（例如点云或网格）的深度学习架构。典型的卷积架构需要高度规则的输入数据格式，例如图像网格或 3D 体素的数据格式，以便执行权重共享和其他内核优化。由于点云或网格不采用常规格式，因此大多数研究人员通常将此类数据转换为常规 3D 体素网格或图像集合（例如视图），然后再将其输入深度网络架构。然而，这种数据表示转换使生成的数据变得不必要地庞大，同时还引入了可能掩盖数据自然不变性的量化伪影。

dc爱傲雪和技术 1358

上一篇： Pandas入门（二）——DataFrame结构及常用操作

下一篇： Harris角点检测原理详解