本文基于常用的深度学习算法设计了一种可以直接处理无序点云数据的新型神经网络PointNet，并展示了如何训练这样的网络来执行3D模型分类，模型部分分割和场景语义分割任务。PointNet遵循了输入点的置换不变性，为三维模型分类提供了统一的架构。本文从理论上分析了网络的体系架构，阐释了如何通过网络中所选神经元来计算三维特征，并说明了网络如何在有缺失点或者异常插入的情况下保持鲁棒性。

本文在TensorFlow框架平台上进行了实验设计，对实验结果进行了分析，并将其与现有的工作在分类准确度与时间空间复杂度方面进行了比较。实验证明，PointNet虽然简单，但分类的效率却很高，表现出了很好的性能。

本文的工作

本文应用深度学习的方法对三维模型分类的问题进行了研究，介绍了深度学习各种算法的核心思想。在此基础上，设计了能够直接处理点云输入的网络架构PointNet，在TensorFlow框架下实现了点云三维模型数据的分类，并对分类结果进行了分析。本文的主要结构安排如下：

第一章绪论：本章介绍了课题研究的目的和意义，三维模型数据的表示与格式以及现阶段国内外对三维模型分类算法的研究现状。 

第二章 深度学习常用方法研究：本章介绍了深度学习的概念，发展历程和学习过程，并对深度学习中的算法如限制玻尔兹曼机、卷积神经网络以及深度信念网络进行了详细的介绍。

第三章 基于深度学习的三维模型分类：本章介绍了基于深度学习的三维模型分类网络PointNet的体系结构，并对其进行了理论分析，说明了它的应用领域。 

第四章 实验设计与实现：本章介绍了TensorFlow框架及安装过程，说明了实验的环境配置，并对程序的运行结果进行了分析。

第五章 总结与展望：本章对全文进行了总结，并对其未来的发展进行了展望。 

本文研究了能够处理3D几何数据（如点云或网格）的深度学习架构。典型的卷积架构要求高度规则的输入数据格式，如图像网格或3D体素，以便执行权重共享和其他内核优化。由于点云或网格不是规范格式，因此大多数研究人员通常将这些数据转换为规范的3D体素网格或图像集合（比如视图），然后再用深层网络架构进行处理。 然而，这种数据转换会使得所得到的数据产生不必要的冗余。

因此，本文使用了一个不同的3D几何输入即点云数据，并把生成的深度网络命名为PointNet。点云是一种简单而统一的结构，可以避免网格组合的不规则和复杂性，从而更容易进行学习。PointNet是一种统一的架构，可直接将点云数据作为输入，并为输入的每个点输出类标签。这个网络的基本架构非常的简单，因为在初始阶段，每个点都被独立地处理。在基本设置中，每个点仅由其三个坐标（x，y，z）表示。可以通过计算法线和其他局部或全局特征来添加其他维度。

本文提出的方法的关键是使用单个对称函数，最大池。网络有效地学习一组优化函数/标准，选择点云的信息点，并对其选择的原因进行编码。网络的完全连接层将这些学习到的最优值聚合到如上所述（模型分类）的整个模型的全局描述符中。