这两个网络都是斯坦福大学的一个团队提出的
我先先看一下pointnet的网络架构,这个网络比较经典，是2016年提出的：

PointNet 是一个专门用于点云数据处理的神经网络。它的设计目的是直接操作不规则的点云数据，而无需将点云数据转换为规则网格或体素。下面我们解析一下 PointNet 的网络结构：

1. 输入层：输入是一个点云，每个点通常有三维坐标 ((x, y, z))，可能还包含颜色或法向量等特征。对于一个包含 (N) 个点的点云，这里输入是一个 (N \times 3) 的矩阵。

2. 特征提取层：

   • MLP 层：PointNet 使用多个多层感知机 (MLP) 层对每个点进行逐点特征提取，MLP 层通常会将每个点的特征从3维映射到更高维（如64或128维）。这是逐点操作，保持了点云的无序性。
   • T-Net：为了处理点云的旋转、平移等变换，PointNet 引入了 T-Net，它学习一个近似的仿射变换矩阵，对输入点进行对齐。这一层使用了独立的网络结构来估计变换矩阵，然后通过矩阵乘法对点云进行变换。通常，PointNet有两个T-Net，一个对齐原始输入点，另一个对齐局部特征。

3. 全局特征提取：

   • 逐点 MLP：进一步应用 MLP 来提取高维局部特征，例如将每个点从 64 维映射到 1024 维。
   • 全局最大池化：PointNet 使用全局最大池化来生成点云的全局特征。这一步将所有点的特征压缩为一个 1024 维的全局特征向量。最大池化操作可以确保网络不依赖于点的排列顺序，保证点云的无序性。

4. 分类或分割层：

   • 对于分类任务，全局特征直接用于全连接层以输出类别标签。输出一个输出为
     K维向量，K代表当前分类任务的种类个数，代表整个点云的类别概率分布。
   • 对于分割任务，将全局特征复制并与逐点局部特征进行融合，再次通过 MLP 层细化特征，从而为每个点预测标签。输出为N*M为每个点预测类别标签的概率分布，用于逐点分割任务。

PointNet 的网络结构的设计原因

• 不变性：点云的无序性意味着模型需要对点的排列不敏感。通过逐点处理和最大池化，PointNet 确保了这种排列不变性。
• 旋转和仿射不变性：T-Net 处理仿射变换，减轻了旋转、平移等变化对特征提取的影响。
• 全局信息与局部信息结合：全局最大池化提取了整个点云的全局特征，而逐点特征提供了局部细节。这种结合使得 PointNet 能够同时理解点云的整体结构和细节。

PointNet 的结构相对简单，但设计上有巧妙之处，使其既能保持点云特征的无序性，又能从中提取全局和局部信息，从而满足分类和分割任务的需求。

下面看pointnet++,2017年提出，网络结构如下：

PointNet++ 是 PointNet 的改进版本，专门用于捕捉点云数据中的局部特征，以提升其在物体检测、语义分割和场景理解等任务中的表现。PointNet++ 引入了分层结构，使网络能够从点云的不同尺度中提取更丰富的局部信息。

1. PointNet++ 设计背景

• 局部特征的重要性：PointNet 使用全局最大池化来提取特征，对点云的细节和局部结构关注不足。在复杂场景中，物体的细节（如形状和边缘）对识别和定位尤为重要。
• 尺度不变性：在点云中，物体的尺度可能会变化（比如，远处的物体在点云中点数更少），因此需要设计一个能捕捉多尺度特征的网络。

2. PointNet++ 的核心结构

PointNet++ 将点云处理分为多个层次，通过“采样-分组-特征提取”的过程，逐层提取局部特征，并在最后生成全局特征。每一层包含以下几个步骤：

• 采样（Sampling）：每一层首先对点云进行采样，逐层减少点数。例如，可以使用“最远点采样”（Farthest Point Sampling, FPS）算法选择有代表性的点集。这些点集定义了新的“局部区域中心”，用于下一级的特征提取。

• 分组（Grouping）：对每一个采样点，从其邻近的点中提取局部区域（邻域）。可以基于距离（如欧氏距离）在采样点周围划分区域，这样可以捕捉到点云的局部结构。

• 特征提取（Feature Extraction with PointNet）：在每一个局部区域内，应用 PointNet 网络提取该区域的特征。这一步会生成一个区域特征，通过最大池化操作总结每个局部区域的信息，提取高维特征向量。

3. 多尺度特征提取

为了让 PointNet++ 更具鲁棒性，网络使用了两种多尺度处理方式：

• Multi-Scale Grouping (MSG)：在同一层中，PointNet++ 使用不同的邻域尺度来提取多尺度特征。例如，一个采样点可以在小、中、大邻域内分别提取特征，从而获得不同尺度的信息。适用于点密度变化较大的情况。

• Multi-Resolution Grouping (MRG)：在逐层下采样的结构中，使用前一层特征分辨率较高的点云特征与当前层的特征结合，以确保在下采样过程中不会丢失重要的细节信息。适用于点云密度较为均匀的情况。

4. 分层结构的逐层汇总

PointNet++ 会重复多次“采样-分组-特征提取”操作，构建分层结构，逐层捕捉从局部到全局的信息。最后一层生成全局特征，可用于分类、分割等任务。对于分割任务，PointNet++ 会将全局特征和逐点特征相结合，细化输出。

5. PointNet++ 相较于 PointNet 的优势

• 更强的局部感知能力：PointNet++ 通过多层局部特征提取实现了对局部结构的深入理解，提升了分割和检测的准确性。
• 尺度不变性：PointNet++ 的多尺度机制增强了对不同尺度和密度点云的适应性。
• 适应性强：通过逐层采样和下采样机制，PointNet++ 能够在密度不均匀的点云中有效工作，适合于复杂场景中的目标检测和场景理解。

总结

PointNet++ 通过分层采样、分组和特征提取的方法增强了对点云局部结构和多尺度特征的理解。

总结二者

这两个网络比较早期， 可以看出他俩只能做全局分类，也就是最终是对所有点云分类，而分割的结果倒是可以知道点云的类别，但是无法像物体检测，检出边界，后面会和大家分享物体检测的网络，希望大家多多关注啊！