3D 检测与点云 / 32

PointNet++

层次化点集学习网络

PointNet++通过最远点采样、邻域分组和逐层 PointNet 聚合构建局部到全局的层次特征，能够描述非均匀点云中的细粒度几何结构。代表性参数规模为约 1.5M–2M（常见分类配置），性能定位是局部几何表达强，复杂点云精度优于 PointNet。适合复杂零件分类、局部三维缺陷和点云语义分割。

PARAMETERS

参考参数与输入输出

代表性参数量约 1.5M–2M（常见分类配置）

输入三维点、可选法向量与分层采样配置

输出整体类别、局部特征或逐点标签

算力与部署GPU 更合适；邻域查询和采样是主要开销

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

局部几何表达强，复杂点云精度优于 PointNet。局部精度优于 PointNet，但预处理、推理延迟和部署算子复杂度更高。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
BEVFusion	约 50M–150M+（取决于图像/点云骨干）	中低	很高	复杂	移动机器人感知
CenterPoint	约 5M–35M（取决于体素/柱状骨干）	高	很高	较成熟	仓储车辆检测
PointNet	约 3.5M（经典分类配置）	高	中	成熟	整体形状分类
PointNet++当前	约 1.5M–2M（常见分类配置）	中	高	较成熟	复杂零件分类

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

PointNet++适合优先考虑复杂零件分类、局部三维缺陷、点云语义分割的项目。它的主要价值是分层学习局部邻域与多尺度几何；需要重点评估采样和球查询算子在部分推理引擎中难优化、超大点云需要裁剪、下采样或分块。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。