三维感知与点云智能 · lab-12
实验 12 · 点云深度学习：PointNet 原理与复现
围绕无序点集输入、对称聚合和分类流程，理解 PointNet 处理点云的核心思想。
面对顺序任意的点集，网络怎样提取稳定的全局形状特征？
KEY POINTS
这条内容的重点
进阶 4 小时
- 能解释点集顺序变化与置换不变性问题。
- 能描述 PointNet 使用共享点特征与对称聚合的基本结构。
- 能阅读分类输出并识别训练数据、设备和模型的限制。
WORKFLOW
内容流程
建立模型认识
梳理点输入、逐点特征与全局聚合之间的关系。
本步产物 PointNet 结构要点记录
查看训练或推理流程
依照 Notebook 观察数据准备、模型调用和结果呈现，不执行未审核的外部命令。
本步产物 分类结果或流程图
解释输出
结合类别标签和数据样例讨论预测结果及误差来源。
本步产物 分类结果解读与限制记录
METHODS
相关方法
- 点集对称函数与最大池化
- PointNet 结构阅读
- 分类结果与数据划分检查
DELIVERABLES
可获得的内容
- PointNet 流程说明
- 样例分类结果及误差讨论
LIMITATIONS
适用范围与注意事项
- 配套 Notebook、PPT、代码、PDF 与数据附件的来源和再分发许可尚未逐项核验；原件留在 incoming/，本次网站不提供附件下载。
- 训练依赖、权重及数据许可需按原始来源核验；GPU 或网络条件会影响运行方式。
MATERIALS
相关资料与下载
只展示已核准公开的资料。
当前没有已批准公开的资料。待核验或私有文件不会显示。