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：
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：
sample_and_group(npoint, radius, nsample, xyz, points, knn=False, use_xyz=True): '''
Input:
npoint: int32
radius: float32
nsample: int32
xyz: (batch_size, ndataset, 3) TF tensor
points: (batch_size, ndataset, channel) TF tensor, if None will just use xyz as points
knn: bool, if True use kNN instead of radius search
use_xyz: bool, if True concat XYZ with local point features, otherwise just use point features
Output:
new_xyz: (batch_size, npoint, 3) TF tensor
new_points: (batch_size, npoint, nsample, 3+channel) TF tensor
idx: (batch_size, npoint, nsample) TF tensor, indices of local points as in ndataset points
grouped_xyz: (batch_size, npoint, nsample, 3) TF tensor, normalized point XYZs
(subtracted by seed point XYZ) in local regions
'''
new_xyz = gather_point(xyz, farthest_point_sample(npoint, xyz)) # (batch_size, npoint, 3)
if knn:
_,idx = knn_point(nsample, xyz, new_xyz) else:
idx, pts_cnt = query_ball_point(radius, nsample, xyz, new_xyz)
grouped_xyz = group_point(xyz, idx) # (batch_size, npoint, nsample, 3)
grouped_xyz -= tf.tile(tf.expand_dims(new_xyz, 2), [1,1,nsample,1]) # translation normalization
if points is not None:
grouped_points = group_point(points, idx) # (batch_size, npoint, nsample, channel)
if use_xyz:
new_points = tf.concat([grouped_xyz, grouped_points], axis=-1) # (batch_size, npoint, nample, 3+channel)
else:
new_points = grouped_points else:
new_points = grouped_xyz return new_xyz, new_points, idx, grouped_xyz
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。
