关于Pointnet++的疑问有哪几点

这篇文章将为大家详细讲解有关关于Pointnet++的疑问有哪几点，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

首先是分类任务的准确率
论文中的ssg版本能够达到90.7%。但是笔者以及问过的同学，都只能达到90.2%左右。于是笔者仔细思考了原因，参考文章告诉我们的信息，觉得问题有可能出在以下几点：
1、数据集的选择。用的官方数据集（2048点）对应90.7%，换成作者自备数据里（10000点）的话，准确率达到91.9%。笔者测试的是前者。所以这里没问题。
2、领域选取方法。两种方法KNN/ball query，也会对准确率带来影响。代码里默认的是后者。所以问题也不是出在这。

3、运行evaluate.py的时候，要有votes = 12，这个也会对结果有影响。其余的参数设置，比如学习率、batch_size都是默认的，与论文中所提的没差别，所以不会出什么问题。但是最终结果还是达不到论文里的90.7%。与作者沟通也未能获得很好的回馈。

另一个困扰的问题，是参数量的计算。从PointNet到PointNet++，这个参数量笔者始终没搞明白，这里把计算过程放上来，希望有同学一起看看。
1、PointNet++中分类任务ssg版本的计算。笔者把特征提取部分和分类任务部分分开算。特征提取部分主要是1*1卷积，需要注意weight+bias，公式里的绿色的‘+1’表示bias的数量。特征提取部分：conv_num= (3+1)*64+(64+1)*64+(64+1)*128+ (128+3+1)*128+(128+1)*128+(128+1)*256+ (256+3+1)*256+(256+1)*512+(512+1)*1024=802624分类部分：香港云主机fc_num = (1024+1)*512+(512+1)*256+(256+1)*40= 666408总参数内存：bytes_num = (conv_num+fc_num)*4=5,876,128bytes（即5.8MB，不到论文说的8.7MB）这里需要注意一点，计算conv_num的公式里，用红字标出来的‘+3’，这是代码里提到的，pointnet_sa_module首先进行sample_and_group运算，来看代码做了什么：

有一个concate的操作，把特征和坐标进行了拼接，所以最终输出的channel层个数是channel+3。注释部分也提了。所以计算conv_num的公式里有红色的‘+3’，所以这部分需要注意。但是即便注意到了这点，最终结果也与论文提的8.7MB不符。
2.这里还想提一点，上一张图中，我们注意到作者说pointnet的Model size是40MB，但是pointnet论文里是这么写的：3.5MB。不知道两个数字为什么不一致。这个我没有去计算，因为T-net确实太繁琐了，暂时挖个坑吧。关于关于Pointnet++的疑问有哪几点就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。

相关推荐: GtRNAdb:tRNA数据的示例分析

GtRNAdb:tRNA数据的示例分析，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。GtRNAdb收录了不同物种的tRNA序列信息，这些tRNA都是通过tRNAscan-SE 2.0软件预测得到，…