weixin_43899239的博客

特点：方法引入局部特征变换，将点云局部特征转换到球领域卷积模式下，使用多层感知机（MLP）来对每个点的局部特征进行处理和聚合，其输出表示当前点特征并反映周围点的信息，通过迭代高层特征聚合的过程，PointNet可以逐渐聚合全局信息，并将其编码为点的特征表示。利用深度学习处理的目：以每个点及其特征作为输入，找到学习函数，得到我们感兴趣的信息，对输入的点进行目标识别与分割。深度学习处理方法：PointNet及PointNet++其中PointNet方法参考。

从本科到硕士再到博士，每次要用到协方差我都害怕，感觉自己从来没有真正了解他，所以今天记录了这篇笔记，表明我对它的理解，以后如，方差：为了表示单个随机变量的离散程度。果有新的见解，会持续在本篇进行更新。协方差矩阵：对于多个随机变量，我们可以可以计算任意两个随机变量的协方差，以及单个随机变量方差，组成协方差矩阵。推广到点云数据处理中，可以计算特征点与其邻域点的协方差矩阵。协方差：为了表示两个随机变量的相似程度

分类(Classification)、分割(Segmentation)、目标检测（Object Detection）、实例分割(Panoptic Segmentation)、配准(Registration)、点云重构(Reconstruction)。论文：Deep Learning for 3D Point Clouds: A Survey中将方法进行分类其中主要方法可以分为：基于多视图、基于点、基于体素、融合方法。

目前，几乎所有的点云数据处理算法首先要进行的就是最远点采样，减小样本点数量的同时，保持原有点云结构，但是这个方法属于非均匀采样，PointConv通过。每组进行特征提取：维度变换，卷积（输入6，输出64）得到提取的特征，每个簇对应一个特征。整体思想不变，在特征提取处使用类似图卷积的方式来整合特征。：d为三维点位信息，C可以看作特征数，N为数据数量。簇的半径大小如何定义，每个簇中选择多少个样本点。要解决的问题：如何选择区域（簇中心的选择）；，输出得到每个点的特征，需要进行。从局部入手，多利用局部特征，与。

点云数据处理pointnet