点云识别模型汇总整理

点云识别模型主要分类：

目前主流的点云识别模型主要分为

• 基于点直接处理的方法：PointNet、PointNet++ 、DGCNN、 PointCNN、 Point Transformer、 RandLA-Net、 PointMLP、 PointNeXt ；
• 基于体素化的方法：VoxelNet、SECOND、PV-RCNN、3DmFV-Net ；
• 基于多视图的方法：MVCNN、RotationNet；
• 混合方法：PointPillars、PV-RCNN；

点云识别代表模型

模型	论文	代码	特点
PointNet & PointNet++	PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space	TensorFlow 实现	直接处理原始点云，PointNet 使用全局特征提取，PointNet++ 引入分层特征学习和局部特征聚合。
DGCNN (Dynamic Graph CNN)	Dynamic Graph CNN for Learning on Point Clouds	PyTorch 实现	通过动态图卷积捕获局部几何结构，适用于点云分类和分割。
PointCNN	PointCNN: Convolution On -Transformed Points	TensorFlow 实现	使用χ-Conv 操作对点云进行卷积，解决点云无序性问题。
KPConv (Kernel Point Convolution)	KPConv: Flexible and Deformable Convolution for Point Clouds	PyTorch 实现	基于点云的稀疏卷积核，支持灵活的感受野控制。
Point Transformer	Point Transformer	PyTorch 实现	将 Transformer 引入点云处理，利用自注意力机制建模长程依赖。
PV-RCNN (Point-Voxel CNN)	PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection	PV-RCNN	结合体素和点特征的 3D 目标检测方法，平衡效率和精度。
3DmFV-Net	Search for a W’ boson decaying to a vector-like quark and a top or bottom quark in the all-jets final stat	3DmFV-Net	基于高斯混合模型（GMM）的体素特征表示，适用于分类和分割。
RandLA-Net	RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds	RandLA-Net	高效的大规模点云语义分割，使用随机采样和局部特征聚合。
PointMLP	Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework	pointMLP-pytorch	纯 MLP 结构，通过残差连接和几何仿射变换提升性能。
PointNeXt	PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies	PointNeXt	PointNet++ 的改进版，通过模块化设计提升泛化能力。
VoxelNet	VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection	Voxelnet	早期体素化方法，使用3D卷积网络。
SECOND	Asynchronous Stochastic Composition Optimization with Variance Reduction	second.pytorch	稀疏卷积优化VoxelNet，提升效率。
MVCNN	Very Deep Convolutional Networks for Large-Scale Image Recognition	mvcnn	多视角2D投影+CNN融合，经典多视图方法。
RotationNet	RotationNet: Joint Object Categorization and Pose Estimation Using Multiviews from Unsupervised Viewpoints	rotationnet	多视角+视角预测联合优化。
PointPillars	PointPillars: Fast Encoders for Object Detection from Point Clouds	PointPillars	将点云转换为“伪图像”（柱状体素），适合实时检测。

框架集成：
Open3D-ML
MMDetection3D