一、论文解读
PointNet是第一个直接以三维点云作为输入的深度学习网络，点云的特点如下：
# 无序：无论点的顺序如何打乱，点云传达的内容不变。
# 组合表达：某个点需要结合附近的点才能表达局部信息，仅看单个点无任何意义。
# 变换无关：将点云中的所有点进行相同参数的平移、旋转，不改变点云传达的信息。
PointNet在结构设计时考虑了点云的上述特点，因此在输入点云中点的顺序发生改变时，其输出一定不会改变。此外在少量点缺失或者错误时，也能保证结果的稳定性。
PointNet 有两个网络，一是分类，二是分割，分类即输入点云，输出其表达的物体类别。分割即输入点云，将其表达的物体的不同部件分开。
1.1 分类网络
分类网络的结构如图1所示：
下面介绍每一步数据如何进行运算。
从第一个n×3到第二个n×3矩阵的计算过程如图2所示，该层主要使用input transformation这个3×3的矩阵对输入点云进行三维变换，比较简单。input transformation矩阵中数值需要通过一个T-Net进行学习，这个T-Net名为STN3d（代码中作者写的名字）。
T-Net（STN3d）的结构如图3所示。
Shared MLP 为1×1的卷积层，其计算过程如图4所示，图中以Shared MLP(3, m) 为例，输入通道数为3，输出通道数为m，因为输出通道为m个，所以有m个卷积核，每个卷积核对应其中一个通道，图中输入的尺寸为（1，3，n，1），括号内四个数依次表示批量、通道、行、列。因此输出的尺寸为（1，m，n，1）。图中
分类网络的第二层计算过程如图5所示，Shared MLP的计算参考图4。
分类网络第三层计算过程如图6所示，是将n×64的矩阵乘一个64×64的矩阵，该矩阵由T-Net(STNkd)生成，STNkd的结构和STN3d类似，不过多了个正则化项，使输出倾向于得到正交矩阵，加速收敛。
分类网络第四层计算过程如图7所示，和第二层类似。
第五层为最大池化层，第六层为全连接层，其计算过程如图8所示。输出结果为一个长度为k的向量，向量中的每个数代表点云所表示的物体属于某类的概率。
