神經網路及其在點雲中的應用

1.傳統的人工神經網路（也叫作多層感知機）分為幾大模組

2. 卷積神經網路（也叫作多層感知機）分為幾大模組？

3.基於點雲的神經網路

神經網路可以分為生物神經網路和人工神經網路。我們通常在機器學習領域提到的神經網路都指的是人工神經網路。

舉乙個實際的例子來理解神經網路：假如我們有乙個有關於房價的資料集，這個資料集中有6個樣本，每個樣本的特徵是房屋的面積、地區富裕度、臥室數量，而樣本的標籤就是房屋的**，此時我們需要乙個能夠擬合這個資料集的函式，並且能夠通過這個函式根據房屋的面積來**房價。

於是我們可以構建下面的神經網路：每乙個圓圈代表乙個神經元，用於儲存樣本的特徵和**結果。

所以神經網路最基本的模組可以簡單理解為：輸入層、函式（隱藏層）、輸出層。

注意針對不同的資料集和任務，輸入、輸出的神經元個數不同。比如，若資料集中還提供了房屋是否帶裝修這一特徵，那麼我們需要將這一特徵考慮在內，在輸入層中就要增加神經元的個數。

總而言之，人工神經網路分為：輸入層、隱藏層、輸出層。具體每一層包含多少個神經元是根據特定的任務和資料集來設計的。

卷積神經網路是專門用於處理類似網格結構的資料的神經網路。例如時間序列（時間軸上的一維網格）和影象資料（二維畫素網格）。更多關於卷積網路的總結見《深度學習-第九章》

下面是乙個卷積網路的示例：

可以看出其包含：輸入層、卷積層、池化層、全連線層和輸出層。

但是卷積層、池化層和全連線層均可以看作乙個函式，卷積層和池化層可以看做是考慮到影象等網格資料的特點而設計的全連線層的乙個變體。最後的全連線層將網格狀的資料鋪平並連線輸出類別個數。

前面介紹了神經網路和專門用來處理網格狀資料的卷積神經網路。點雲並不是網格狀的資料結構，而是3維空間中排列不規則的點。有些方法想要借鑑影象中卷積神經網路，於是將3d點雲進行劃分（體素劃分或者體柱劃分）或者投影到平面上；還有一些方法直接對點雲處理，由於不是網格類似的資料，所以用的僅僅是人工神經網路。

平移不變性：類似於影象

旋轉不變性：類似於影象

排列不變性：掃瞄到的點雲本身就包含x,y,z三維座標，所以其空間位置就包含在原始輸入中，所以要求n個點，不管以何種順序（n!）輸入函式中，得到的結果應該是相同的。在影象中畫素的位置，先後卷積的順序是重要的，畫素本身是有序的。