pointcnn pointweb pointconv randla 阅读（一）

参考文献：

s1.（各种测评指标意义）(8条消息) 【深度理解】语义分割中常用的评价指标含义GA、OA、mAcc、IoU、mIoU_Gisleung的博客-CSDN博客_语义分割oahttps://blog.csdn.net/qq_27816785/article/details/125833556

 首先进行评测指标的学习，数据集有semantic3d，S3DIS数据集

s3dis数据集 室内数据集 只能脚本运行 13分类

semantic3d数据集  室外场景数据集 官网可测评 点数巨大 Semantic3D

semanticktti数据集 数据集较大 28分类

pointcnn

pointcnn提出利用局部结构学习的X转换算子（矩阵），将无序点云通过算子之后，转化为有序点云，解决点云的无序性问题。

 点云的输入顺序不同，经过普通卷积之后，他的输出也可能不同。

 x算子 中心点-邻域点 MLP 得来的 K*K矩阵 （相对位置 随着点输入顺序变化变化）

F*= 中心点减去邻域点（相对位置）mlp学习 然后与中心点特征拼接 在经过mlp学习之后，得到特征。

对特征加权和置换  Fx=x*F*

对特征利用K矩阵进行普通卷积得到最终的特征Fp。

这样既进行了特征聚合，降低了size，每个点包含的信息变多，而且由于X算子的引入，使得点云无序性得到加强。

S3DIS数据集 上测试 MIOU 65.39%

并且文章进行了X算子的消融实验，确实有用。

多次使用X-conv，增加每个点的感受野。 

训练中混淆点的输入顺序。

补充说明：

在组会上讲解了这篇文章，但师兄说我理解略有偏颇，应该看看代码。

代码具体没看懂，我目前的理解还是 为了解决点云的无序性问题，作者根据局部特征设计加权矩阵，潜在意义上实现点云的排序（并不是真正的完全消除顺序带来的影响，而是考虑了点云的局部特征），而且在训练的时候，需要对点云打乱顺序进行学习，否则，在输入点云时，考虑局部特征进行点云的训练时，点云的顺序也会影响训练的模型，以至于在test环节出现错误。

新的参考：PointCNN: Convolution On X -Transformed Points 论文和代码详解 - 知乎 (zhihu.com)

x新的理解：X-conv仅仅利用三维坐标进行一系列MLP 卷积等得到K变换矩阵，使得在特定邻近点序列下变的有序，变成一个类似图像的有序对，然后进行普通卷积K，也可以结合局部特征。

每个N*3的点进来之后，经过变化变成融合局部特征的N*32的矩阵；（结合局部信息，经过X的相乘之后实现了数据的规则化。）

经过变化之后，三和四所得的N*32矩阵应该是一致的（一开始的N*3矩阵因为顺序不同应该是不一致的）

再利用K卷积 （类似普通的图像CNN卷积） 将N个点局部结合，提取特征。

K卷积为深度可分离卷积

 

 

如有不对，请多多指正。