PointNet论文原文：
PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation
PointNet官方代码是使用tensorflow实现的：
PointNet官方实现-TensorFlow
因为我写的代码是Pytorch的，我想用Pytorch来实现点的特征提取，我使用了下面的库：
在2D图像和3D体素中都可以运用卷积来进行特征的提取，但是这种卷积的方法并不适用于点云，因为点云是高自由度的，用论文里的话说，
point clouds or meshes are not in a regular format
，所以没有办法做一些指定锚点、并在局部共享权重等等在regular format下可以做的操作，所以作者提出了PointNet来对点云中点的特征进行处理。如果是mesh的话，就在mesh表面进行点采样以后再使用PointNet进行处理。
点云特征： 大部分点云的特征都是针对于特定的任务进行手工设计的，且这些特征对于transformation而言是不变的。但对于特定任务而言，找到一组最优的特征组合是一件非常不容易的事情。
运用在3D数据上的深度学习：
无序集上的深度学习：
从数据结构的视角来看点云，其实是一组无序的向量集合。大部分深度学习的工作都聚焦在规则输入的表达上，比如序列、图像和体素。Oriol Vinyals等人注意到了这个问题，使用了一种带有注意力机制的
read-process-write
网络来处理无序输入，从结果看来他们的网络有能力去排序这些无序的输入。但是他们聚焦泛型集的应用和NLP的应用，缺乏了几何上的应用。
我在这里mask了原本pipeline的一些内容，mask掉的地方就是在PointNet核心架构上的一些运用（比如运用到分类和分割任务中）
这个网络架构的输入是
n*3
的点云，然后在开始的时候运用了一个
T-Net
进行配准得到对齐后的
n*3
点云，无论你输入点云经过怎样的刚性变换，只要是相同的点云，最终在canonical space中都会被align到相同的位置。
接着就是通过一个MLP来提取逐点特征得到每个点64维的特征
n*64
，将点云的特征在高维空间中再通过
T-Net
再进行一次配准，就是做了一个类似于特征对齐的操作。
再往后就是进一步提取点的信息，通过MLP什么的，得到每个点1024维的特征，输出是
n*1024
。
再通过这
n*1024
的信息获得一个
1024
维的全局特征，表示输入点云的整体全局特征。
我认为这个网络的好处就是加上了一个align的操作，无论相同的点云发生了怎样的刚性变换，都保证其特征本身不会发生改变。
基于以上架构，实际上：
其实我所需要用到的就是PointNet中点云的特征和提取，直接指向Pytorch代码的这个部分：
pointnet_utils.py
这里面就是pointnet的实现核心：
STN3d
的作用就是学习一个transformation matrix，来保持在输入点云或提取特征在刚性变换后，仍然可以被align到一个canonical space中（也就是将有刚性变换的输入进行了对齐）
STNkd
就是学习k维的刚性变换矩阵，实现对齐
PointNetEncoder
相当于原文中得到了global feature的那部分，从红框处可以很明显地看出来：
x=self.bn3(self.conv3(x))
就可以得到我想要的
N×features_channel
特征值，所以如果想要特征实现，只需要使用这一部分的代码即可：
def forward(self, x):
B, D, N = x.size()
trans = self.stn(x)
x = x.transpose(2, 1)
if D > 3:
feature = x[:, :, 3:]
x = x[:, :, :3]
x = torch.bmm(x, trans)
if D > 3:
x = torch.cat([x, feature], dim=2)
x = x.transpose(2, 1)
x = F.relu(self.bn1(self.conv1(x)))
if self.feature_transform:
trans_feat = self.fstn(x)
x = x.transpose(2, 1)
x = torch.bmm(x, trans_feat)
x = x.transpose(2, 1)
else:
trans_feat = None
pointfeat = x
x = F.relu(self.bn2(self.conv2(x)))
x = self.bn3(self.conv3(x))
return x