文献笔记：
1.把点云的区域分割表示为一个逐点识别的问题。
（We formulate part segmentation as a per-point classification problem.）
把点的mIoU(?)作为评价指标，计算mIoU值的具体方法如下（分清category的mIoU、shape的mIoU、part type的mIoU）：
首先，对于分类C中的每一个形状S，计算该形状S的mIoU值：对于C中的每一个部分（part type），计算理论值和预测值之间的IoU值 ，如果某个部分的预测值和理论值组成的union中点为空，我们把这个部分IoU设为1。之后我们计算该category中的所有部分(part type)的IoU值，将这些IoU的平均值作为该形状的mIoU值。
之后，当我们要计算category的mIoU值时，我们把属于当前category中的所有形状的mIoU值做平均值，该平均值即为category的mIoU值。
以上是论文中对于各个方法的结果比较。
2.关于PointNet Segmentation Network，它是识别网络的一个扩展。局部点特征（第二次变换网络feature transform的输出）和全局点特征（最大池化层的输出）被关联在一起。分割网络不使用dropout。训练参数跟识别网络的完全一样。
对于基础的分割网络，为了达到最好的分割效果，作者还是做出了如下的一些修改：
a.增加了一个one-hot向量来表示输入的类型，并别把它和最大池化层的输出联系在一起
b.在某些层增加了神经元，并且增加了skip links跳转链接来收集不同层的局部点特征，把他们连接在一起，共同组成分割网络的作为输入的点特征。
此外，文章最后还提到法向量估计（法向量预测结果在某些区域甚至比真实值更平滑，连续性更好）。还通过实验验证了分割网络的健壮性。对于识别网络的部分，网络对数据损坏和数据缺失并不是特别敏感，因为点的全局特征是从关键点的集合中提取的。对于分割网络来说，它同样具有稳定性。结合逐点特征和学习到的全局形状特征，对每点部分的标签进行了预测。下图说明的分割结果的一致性。
代码部分：
模型：
1.model部分的代码储存在pointnet_part_seg中,get_model函数定义了如上图9的网络，包括classification network以及segmentation network；
2.get_transform函数和get_transform_K函数定义了figure 9中的变换网络T1和T2，可以看到T1和T2这两个变换网络本身也是由卷积层、池化层和全连接层等构成的；
3.get_loss函数包含了对损失设计，总的损失包括三部分，分别是：seg_loss（分割的交叉熵损失，通过tf.nn.sparse_softmax_cross_entropy_with_logits()来获得）、label_loss（标记的交叉熵损失，但是最后计算loss时weight取1，实际结果中没有这项的贡献）、mat_diff_loss（变换矩阵Transform本身是正交矩阵，计算出的正交矩阵的正则化偏差Regularization loss）
train.py：
1.batch默认值32，epoc默认值200，在train函数前面定义了学习率和衰减率等参数，定义了需要读写的文件的位置，包括训练文件和测试文件的位置，模型的储存和日志的储存。以及label到one_hot的转换函数。
2.train函数：
首先确定learning rate以及学习率衰减的参数，这里是指数衰减
bn
（batch normalization 主要解决的是中间训练层数据分布发生改变的情况，再输入之前进行归一化处理，网络无需适应不同的数据分布，从而加速训练。BN层本质上就是对上一层的输出进行处理，得到下一层的输入。实现BN层的难点在于如何使得归一化不破坏上一层所学习到的特征。引入可学习参数进行变换，让BN层网络通过学习，恢复原始网络的特征分布。从数学上看就是，在不改变特征分布的前提下，通过变换来改变均值和方差的大小，得到归一化的效果）
momentum
（增加一个动量项，一般来说，主要用在权重更新的时候，如果前一次的momentum与这次的梯度负方向相同，那么动量项会使下降的幅度更大，目的是为了加速收敛）
之后是一些初始化、以及tensorflow的config
最后是train_one_epoch函数，以及eval_one_epoch函数。
刚接触深度学习，有些概念不是很明白，希望今后能多接触，努力学
在b站上发现了作者的一个视频，可能有些帮助：
https://www.bilibili.com/video/av28340597?from=search&seid=7171823237791363931
