点云深度学习系列5——pointnet++文章及代码分析

最新推荐文章于 2025-11-14 17:39:31 发布

原创

最新推荐文章于 2025-11-14 17:39:31 发布 · 1w 阅读

25 ·

CC 4.0 BY-SA版权

文章标签：

#point cloud #pointnet #deep learning

本文深入分析PointNet++，它是PointNet的增强版，增强了对局部信息的捕捉。网络结构上，PointNet++去除了T-net，采用多层MLP和Set Abstraction Layers进行特征提取。点云通过三个pointnet_sa_module进行处理，每个模块包括3层1x1卷积的全连接层和一个池化层。分类任务部分与PointNet类似。虽然在ssg版本的代码测试中达到90.2%准确率，但未能复现论文中的90.7%结果。

大家好。

PointNet++是PointNet的升级版本，增加了对局部信息的感知能力。体现到代码上的话，变化还是比较多的，我们以分类为例，对结构和代码进行分析。

网络结构

首先是网络结构方面，复习前任PointNet网络结构的，请点这里

改进版去掉了T-net，在网络层次上变多了，但是更加组织有序。

def get_model(point_cloud, is_training, bn_decay=None):  
    """ Classification PointNet, input is BxNx3, output Bx40 """  
    batch_size = point_cloud.get_shape()[0].value  
    num_point = point_cloud.get_shape()[1].value  
    end_points = {}  
    l0_xyz = point_cloud  
    l0_points = None  
    end_points['l0_xyz'] = l0_xyz  

    # Set abstraction layers  
    # Note: When using NCHW for layer 2, we see increased GPU memory usage (in TF1.4).  
    # So we only use NCHW for layer 1 until this issue can be resolved.  
    l1_xyz, l1_points, l1_indices = pointnet_sa_module(l0_xyz, l0_points, npoint=512, radius=0.2, nsample=32, mlp=[64,64,128], mlp2=None, group_all=False, is_training=is_training, bn_decay=bn_decay, scope='layer1', use_nchw=True)  
    l2_xyz, l2_points, l2_indices = pointnet_sa_module(l1_xyz, l1_points, npoint=128, radius=0.4, nsample=64, mlp=[128,128,256], mlp2=None, group_all=False, is_training=is_training, bn_decay=bn_decay, scope='layer2')  
    l3_xyz, l3_points, l3_indices = pointnet_sa_module(l2_xyz, l2_points, npoint=None, radius=None, nsample=None, mlp=[256,

最低0.47元/天解锁文章