课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）

课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第五章的笔记！
由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。

课程链接：

三维点云处理——深蓝学院
正式内容: ####################################################
本节课大纲：

Introduction to Deep Learning

快速的回顾深度学习相关基础知识：
本节内容安排：

本节课预计目标：
对深度学习有了解与认识；对pointnet有了解与认识；；将pointnet用在具体的应用当中

深度学习概述

1. 老生常谈：人工智能、机器学习、深度学习关系
   
2. 传统机器学习VS深度学习

深度学习更像一个黑盒子，将内容封装起来

3. 深度学习——可以理解成一个优化问题

深度学习概述

梯度下降法：

梯度下降的原理虽然不复杂，但是非常基础，可以解决常见的优化问题

神经元基本表达形式：

神经元训练：

判断模型效果/接近 ：损失函数

常见的 损失函数 如： 交叉熵函数

SoftMax： 将输出分数转化为概率

多层感知机：

线性模型的问题： 无法模拟抑或问题

因此需要引入非线性模型——激活函数

激活函数： Relu ELU 等

全连接神经网络： 理论上可以模拟任何一个函数

神经网络： 梯度下降+反向传播

卷积神经网络：CNN

卷积操作：

卷积神经网络比全连接的优势：

CNN padding 一般加0 为了保持形状

CNN stride 步长

拓展至二维卷积

池化

总结：

一些拓展：
三维卷积：

PointNet & PointNet++

深度学习点云处理：大致可以有三种解决思路

1. 三维卷积
2. 投影到二维空间，而后用二维卷积
3. 直接处理原始点云

1. 三维卷积 典型代表： voxnet
   非常经典
   局限性：1. 浪费空间内存 2.有精度损失
   
2. 多视角降维： MVCNN

局限性：计算量大且难拓展

点云的性质：
无序性；旋转/缩放不变性

pointnet 点云处理的奠基之作

作者证明了pointnet可以模拟任何一个函数，这点非常重要
从理论上给pointnet提供了发展潜力的支持

事实证明，在大量减轻计算量后，效果依旧很不错：

除了做分类，还能做分割

鲁棒性：

特征点提取与增强：

pointnet拓展：voxel feature encoding
事实上就是把两个pointnet叠在一起了

pointnet的局限性 没有逐层提取，损失了很多信息
本文作者在pointnet++中做出了改进。

pointnet++

核心思想：引入了逐层的特征提取 添加了多层的 set abstraction模块

set abstraction模块

必须要把区域的每个点做一个normalization

事实上，可以通过一些设置，如设置不同的感受半径得到不同尺度的特征向量
多尺度：

多 resolution：

特征分割：



效果有提升，稳定性有明显提升

两个网络总结：

在做两个网络时都要注意对于数据进行预处理

作业

自己实践一下 pointnet

写一个报告 有过程，有结果训练精度。