3D 检测与点云 / 31

PointNet

直接点集学习网络

PointNet直接对无序点集逐点提取特征，再通过对称最大池化得到与排列无关的全局表示，建立了端到端点云分类和分割的基础范式。代表性参数规模为约 3.5M（经典分类配置），性能定位是结构简单、旋转与采样预处理后基线稳定。适合整体形状分类、简单零件点云分割和点云算法基线。

PARAMETERS

参考参数与输入输出

代表性参数量约 3.5M（经典分类配置）

输入固定数量的三维点及可选法向量

输出整体类别或逐点分割标签

算力与部署CPU/GPU 均可；点数增加时内存线性增长

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

结构简单、旋转与采样预处理后基线稳定。速度和实现简单度优于 PointNet++，但局部几何与非均匀采样适应能力较弱。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当前	约 3.5M（经典分类配置）	高	中	成熟	整体形状分类
PointNet++	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适合优先考虑整体形状分类、简单零件点云分割、点云算法基线的项目。它的主要价值是直接处理点集而无需体素化；需要重点评估全局聚合对局部邻域几何描述不足、密集细节和复杂场景通常需更强层次模型。

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。