文章 "交易中的神经网络：点云分析（PointNet）"

MetaQuotes 2025.05.28 14:51

直接分析点云避免了不必要的数据增长，并改进了模型在分类和任务分段时的性能。如此方式对于原始数据中的扰动展现出高性能和稳健性。

点云是简单而统一的结构，可避免组合不一致、以及与困境相关的复杂性。鉴于点云没有传统格式，故将其传送到深度网络架构之前，大多数研究人员通常会将该类数据集转换为常规的 3D 体素网格或图像集。不过，这种转换会令生成的数据无必要地增大，并可能引入量化伪影，这往往会掩盖数据的自然不变性。

出于这个原因，一些研究人员转向了 3D 几何的替代表示，直接使用点云。模型配以这样的原始数据表示操作，必须考虑到这样一个事实，即点云只是点的集合，并且不受其元素排列的影响。这需要在模型的计算中具有一定程度的对称性。

在论文《PointNet：依据点集深度学习，进行 3D 分类和分段》中阐述了这样一种解决方案。这项工作中引入的模型名为 PointNet，是一套统一的架构解决方案，它直接将点云作为输入，并输出整个数据集的类标签、或数据集中单个点的分段标签。