2025年pointcnn代码（pointnet代码运行）

大家好，我是讯享网，很高兴认识大家。
                    <p>近年来，神经网络量化被视为一种有效的模型压缩和加速手段，受到深度学习研究人员的广泛关注。近日，机器学习顶会 ICLR 2021 接收论文结果已经正式公布，至少有 12 项工作展示了神经网络量化方向的相关进展。本文将介绍首个应用二值量化的方法设计的高效点云深度学习模型 BiPointNet，这项研究工作由北京航空航天大学刘祥龙教授团队、商汤新加坡研究团队和加州大学圣迭戈分校共同完成。</p><p><br/></p><p style="text-align:center"><img src="https://oss.sensetime.com/14545a5d4006c6b620c41d03d10e6fd0/image.png" title="image.png" alt="image.png" width="588" height="260"/></p><p>随着点云应用的不断演进，用于点云的深度学习模型需要被部署在各类离线边缘场景，如自动驾驶设备和手持移动设备等，这给模型的推理、存储、传输等环节带来了巨大挑战。如何让点云模型在边缘设备上“又轻又快”，是工业界和学术界共同关注的重要问题。</p><p><br/>我们的文章旨在解决边缘设备上运行点云应用时的资源限制问题，并提出了第一个点云深度学习二值化模型 BiPointNet。BiPointNet 的准确率表现几乎可以媲美全精度网络，并在边缘设备上带来了14.7 倍的超高加速比和 18.9 倍的存储节省，从模型量化的视角打开了点云模型硬件部署优化的新思路。</p><p><br/></p><p style="text-align:center"><img src="https://oss.sensetime.com/451fccaed343718a4c73e0fe0b62242f/image.png" title="image.png" alt="image.png" width="862" height="264"/></p><p><br/></p><p><strong>Part 1 背景及概述</strong></p><p>随着深度神经网络模型能够直接处理原始点云数据，点云学习已经取得了很大的进展。在实际应用场景下，这类网络非常需要实时交互和快速响应，例如自动驾驶和增强现实等。但是，它们的部署环境通常是一些资源受限的边缘设备。尽管研究者们已经提出了诸如 Grid-GCN，RandLA-Net 和 PointVoxel 之类的新颖的算法来加速点云网络的处理，但是它们还是依赖于昂贵的浮点运算。模型二值化方法受益于轻量的二值化参数和高效的按位操作，已成为最有前景的模型压缩加速方法之一，但是由于 2D 图像和 3D 点云之间的根本性差异，现有的二值化方法无法被直接迁移到 3D 点云网络中。</p><p><br/></p><p>在本文中，我们提出了 BiPointNet，将全精度的点云网络转换成高效且准确的二值化模型 (整体框架图见图 1)。我们研究了二值化特征的信息熵和点云聚合函数的表现之间的关系：为了解决聚合后的二值化特征存在同质化的问题，提出了熵最大化聚合函数 (Entropy-Maximizing Aggregation，EMA)；提出了逐层尺度恢复 (Layer-wise Scale Recovery，LSR) 以有效地恢复输出的尺度，并使得尺度敏感的结构可以正常运作。</p><p><br/></p><p style="text-align:center"><img src="https://oss.sensetime.com/b1de79074afed629608f61c6a1f96ec5/640.png" title="640.png" alt="640.png" width="903" height="240"/></p><p style="text-align: center;"><span style="font-size: 10px; color: rgb(165, 165, 165);">图 1: BiPointNet 的整体框架图</span></p><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;">我们的 BiPointNet 首次实现利用二值化点云网络进行深度学习，并极大地超越了现有的基于 2D 视觉的二值化算法。BiPointNet 的性能表现甚至可以媲美全精度的网络 (准确率相差在 1-2% 以内)，它可以被轻易地扩展到其他主流的点云特征提取器上，比如 PointNet++, PointCNN, DGCNN, 和PointConv。BiPointNet 在多种任务上(例如分类、零件分割、语义分割)相较于基线算法都可以取得明显的性能提升。此外，我们在真实设备上对 BiPointNet 进行了实际测试，实现了 14.7 倍的加速和 18.9 倍存储节省。</p></div><p><br/></p><p><strong>Part 2 方法</strong></p><p>点云非结构化（unstructured）的特征导致多层感知机是网络中最常见的结构，而二值化模型包含的是二值化的多层感知机，能够对轻量级的二值化权重和激活执行高效的位运算操作 (XNOR 和 Bitcount) ：</p><p style="text-align:center"><img src="https://oss.sensetime.com/6d7b50c5e875aac70a64ca438e65677d/image.png" title="image.png" alt="image.png" width="140" height="40"/></p><p>其中，<img src="https://oss.sensetime.com/4d48a12055fcc9fab6fb38907d048878/image.png" title="image.png" alt="image.png" width="27" height="30"/>和<img src="https://oss.sensetime.com/24b6ba86c78401fd3255ecedbbf5e780/image.png" title="image.png" alt="image.png" width="28" height="30"/>代表二值化激活与权重，<img src="https://oss.sensetime.com/c1080a9a9214a5807a951e2ca428806c/image.png" title="image.png" alt="image.png" width="31" height="30"/>表示基于位运算的向量内积。</p><p><br/></p><p><strong>2.2 熵最大化聚合函数</strong></p><p>我们的研究表明，由于严重的同质化现象，聚合函数是二值化的一个性能瓶颈。</p><p><br/></p><p>理想情况下，二值化张量 B 应该尽可能多地保留原始张量 Y 所包含的信息。而当最大池化层的输入呈随机分布时，二值化输出的信息熵随着聚合元素数量n趋近于无穷大而趋向于0。由于点的数量通常较大 (如ModelNet40 的分类任务的n为 1024 )，这导致不论输入池化层的特征如何，其输出特征总是高度相似的，如图 2 所示。2D 视觉中聚合函数通常用较小的核(ResNet 和 VGG-Net 中使用 &nbsp;的池化核)，问题并不严重。因此，我们需要一类能够使 B 的信息熵最大化的聚合函数，以避免聚合引起的特征同质化问题。</p><p style="text-align: center;"><img src="https://oss.sensetime.com/6564cb325d0e27a703a50f2d41fd29cc/640%20%281%29.png" title="640 (1).png" alt="640 (1).png" width="981" height="160"/></p><p style="text-align: center;"><span style="color: rgb(165, 165, 165); font-size: 10px;">图 2: 聚合引起的特征同质化问题</span></p><p><span style="color: rgb(165, 165, 165); font-size: 10px;"><br/></span></p><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;">我们证明，理论上存在一个分布 Y，通过最大化二值张量 B 的信息熵，能够使得 Y 和 B 的互信息最大化，以尽可能地把 Y 中的信息保留在 B 中。基于此我们提出EMA，一类二值化友好的聚合层，它基于全精度神经网络中的聚合函数，并进一步保留了输入经过变换后的熵。EMA 的定义是：</p></div><p style="text-align:center"><img src="https://oss.sensetime.com/9882445bd72873ec6f958ec00d33f944/image.png" title="image.png" alt="image.png" width="240" height="37"/></p><p>其中&nbsp;<img src="https://oss.sensetime.com/06995e2f4a497405dc017e278847f83c/image.png" title="image.png" alt="image.png" width="20" height="20"/>&nbsp;表示聚合函数 (例如最大池化和平均池化)，&nbsp;<img src="https://oss.sensetime.com/50c8bafc69ce39918fd7a868d3be3bdb/image.png" title="image.png" alt="image.png" width="20" height="20"/>&nbsp;表示变换单元，可以有多种形式，我们发现最简单的常数偏移已经十分有效。这个偏移将输入进行移位运算以最大化二值化特征 B 的信息熵。BiPointNet 中的变换单元&nbsp;<img src="https://oss.sensetime.com/50c8bafc69ce39918fd7a868d3be3bdb/image.png" title="image.png" alt="image.png" width="20" height="20"/>&nbsp;可以被定义为<img src="https://oss.sensetime.com/9fe44a3f5c03afc0a56f0f0142ed09c6/image.png" title="image.png" alt="image.png" width="98" height="22"/>&nbsp;。当&nbsp;<img src="https://oss.sensetime.com/06995e2f4a497405dc017e278847f83c/image.png" title="image.png" alt="image.png" width="20" height="20"/>&nbsp;&nbsp;表示最大池化时，目标函数的解与无关，从而规避了在点云应用中聚合元素数量 n 过大造成的特征同质化问题。<br/></p><p><br/></p><p><strong>2.3&nbsp;One-Scale-Fits-All: 逐层尺度恢复</strong></p><p>在本节，我们阐述并解决了二值化会导致特征尺度失真的问题。</p><p>我们发现，当信息熵取到最大值时，输出特征的尺度与特征通道数直接相关，因此造成尺度的不合理放大，即尺度失真。尺度失真使得一些为 3D 深度学习设计的对尺度较为敏感的结构失效（见图 3），还导致前向传播时的激活和后向传播时的梯度趋于饱和。</p><p style="text-align:center"><img src="https://oss.sensetime.com/a7c9b54f882723a085bcae1966892019/640%20%282%29.png" title="640 (2).png" alt="640 (2).png"/></p><p style="text-align: center;"><span style="font-size: 10px; color: rgb(165, 165, 165);">图 3: 尺度失真</span></p><p><span style="font-size: 10px; color: rgb(165, 165, 165);"><br/></span></p><p>为了恢复输出的尺度和调整能力，我们提出在 BiPointNet 的二值线性层中应用 LSR。我们设计了一个可学习的逐层尺度恢复因子 ，并通过二值线性层和全精度的输出之间的标准差来初始化:</p><p style="text-align:center"><img src="https://oss.sensetime.com/67df52e15e7093e36e7d7207085eb76d/image.png" title="image.png" alt="image.png" width="258" height="35"/></p><p>其中，<img src="https://oss.sensetime.com/2a57c46f55471ff04513eab080b39017/image.png" title="image.png" alt="image.png" width="18" height="20"/>表示标准差。而且<img src="https://oss.sensetime.com/5e3c6e9a0417c0e9600bcf000ecd45e6/image.png" title="image.png" alt="image.png" width="17" height="20"/>在训练过程中是可学习的。具有 LSR 的二值线性层的计算步骤如下:</p><p><br/></p><p style="text-align:center"><img src="https://oss.sensetime.com/1e4f652be2d7ee4751a8856c1c7270ec/image.png" title="image.png" alt="image.png" width="240" height="106"/></p><p><br/></p><p><br/></p><p>其中，<img src="https://oss.sensetime.com/5f9fd8ccb867a835d67d88204457f737/image.png" title="image.png" alt="image.png" width="29" height="30"/>和<img src="https://oss.sensetime.com/d9ffad7dab6e1ed6bee79c45fa4a15ff/image.png" title="image.png" alt="image.png" width="24" height="30"/>分别表示 a 和 z 的梯度。通过在 BiPointNet 中应用 LSR，我们缓解了由于二值化导致输出尺度失真的问题。</p><p><br/></p><p><strong>Part 3 实验</strong></p><p>我们的实验表明了 BiPointNet 在点云学习上的强大性能，部分设置下甚至媲美全精度模型。</p><p><br/></p><p>表 1 中结果表明，同时使用EMA和LSR可以显著缩小二值化模型和全精度模型之间的性能差距；在表 2 中，我们展示了 BiPointNet 优于其他二值化方法；表 3 展示了在几种主流的点云深度学习模型中取得的提升。</p><p><br/></p><p style="text-align:center"><img src="https://oss.sensetime.com/68e09e12cee292ee857063154b39019c/640%20%283%29.png" title="640 (3).png" alt="640 (3).png"/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; color: rgb(160, 160, 160); font-family: -apple-system, system-ui, &quot;Helvetica Neue&quot;, &quot;PingFang SC&quot;, &quot;Hiragino Sans GB&quot;, &quot;Microsoft YaHei UI&quot;, &quot;Microsoft YaHei&quot;, Arial, sans-serif; font-size: 14px; letter-spacing: 0.544px; white-space: normal; background-color: rgb(255, 255, 255); text-align: center; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="font-size: 10px; font-family: 宋体, SimSun; color: rgb(165, 165, 165);">表 1: BiPointNet 在 ModelNet40 (分类)、</span></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; color: rgb(160, 160, 160); font-family: -apple-system, system-ui, &quot;Helvetica Neue&quot;, &quot;PingFang SC&quot;, &quot;Hiragino Sans GB&quot;, &quot;Microsoft YaHei UI&quot;, &quot;Microsoft YaHei&quot;, Arial, sans-serif; font-size: 14px; letter-spacing: 0.544px; white-space: normal; background-color: rgb(255, 255, 255); text-align: center; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="font-size: 10px; font-family: 宋体, SimSun; color: rgb(165, 165, 165);">ShapeNet Parts (零件分割)、S3DIS (语义分割) 上的消融实验</span></p><p style="text-align:center"><img src="https://oss.sensetime.com/a19cf0e7e369921057a126af5a8fd3c1/6401.png" title="6401.png" alt="6401.png" width="377" height="560"/></p><p style="text-align: center;"><span style="font-size: 10px; color: rgb(165, 165, 165);">表 2: 基于 PointNet 的二值化方法对比</span></p><p style="text-align:center"><img src="https://oss.sensetime.com/b93183078a0bb40067c91a2537b66083/640%20%284%29.png" title="640 (4).png" alt="640 (4).png" width="367" height="560"/></p><p style="text-align: center;"><span style="font-size: 10px; color: rgb(165, 165, 165);">表 3: 在主流骨干网络上应用我们的方法</span></p><p><span style="font-size: 10px; color: rgb(165, 165, 165);"><br/></span></p><p>为了验证 BiPointNet 在真实世界的边缘设备上的高效性，我们还将其部署在ARM CPU Cortex-A72 和Cortex-A53 的树莓派上。尽管PointNet 已经是现有模型中公认的快速、轻量模型，BiPointNet依然带来了14.7倍的推理加速和18.9倍的存储节省。</p><p style="text-align:center"><img src="https://oss.sensetime.com/f2adcfcf34b9a23f0bbb2b63e79bcc14/640%20%285%29.png" title="640 (5).png" alt="640 (5).png"/></p><p style="text-align: center;"><span style="font-size: 10px; color: rgb(165, 165, 165);">图 5: (a) 耗时对比；(b) 存储使用对比；(c) 不同二值化方案速度和准确率的关系散点图</span></p><p><span style="font-size: 10px; color: rgb(165, 165, 165);"><br/></span></p><div><div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">Part 4 总结</strong></p></div></div></div></div></div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">我们提出 BiPointNet 作为第一个在点云上实现高效学习的二值化方法。我们为研究二值化对点云学习模型的影响建立理论基础，并提出了 EMA 和 LSR 方法，提升了模型的性能表现。BiPointNet 超过了现有的二值化方法，并且能够轻松地扩展到各种任务和骨干模型上。同时，它在资源受限的真实设备上实现了 14.7 倍的加速和 18.9 倍的存储节省。我们的工作证实了模型二值化的巨大潜力，希望这个工作能够为未来的研究打下坚实的基础。</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p></div><div><div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">Part 5 作者介绍</strong></p></div></div></div><div><div><div><div><div></div></div></div></div></div></div></div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important; font-family: mp-quote, -apple-system-font, BlinkMacSystemFont, &quot;Helvetica Neue&quot;, &quot;PingFang SC&quot;, &quot;Hiragino Sans GB&quot;, &quot;Microsoft YaHei UI&quot;, &quot;Microsoft YaHei&quot;, Arial, sans-serif;">论文共同第一作者秦浩桐，目前在北京航空航天大学攻读博士，主要研究方向为模型量化压缩与加速、硬件友好的深度学习。</span><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">主页：https://htqin.github.io/</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">论文共同第一作者蔡中昂，目前在新加坡商汤任算法研究员、南洋理工大学博士一年级，主要研究方向为点云深度学习、虚拟数字人。</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">google scholar：</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">https://scholar.google.com/citations?user=WrDKqIAAAAAJ&amp;hl=en </p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">论文共同第一作者张明远，目前在新加坡商汤任算法研究员，主要研究方向为多模态场景理解、复杂场景生成。</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">google scholar：</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">https://scholar.google.com/citations?user=2QLD4fAAAAAJ&amp;hl=en </p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">论文第四作者丁一芙，北京航空航天大学大四学生，目前保送北航软件国家开发环境国家重点实验室直博。</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><div><div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">Part 6 团队介绍</strong></p></div></div></div><div><div><div><div><div></div></div></div></div></div></div></div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;">北航刘祥龙教授团队近年来围绕模型低比特量化、二值量化、量化训练等方向做出了一系列具有创新性和实用性的研究成果，包括国际首个二值化点云模型BiPointNet、可微分软量化DSQ、量化训练、信息保留二值网络IR-Net等，研究论文发表在ICLR、CVPR、ICCV等国际顶级会议和期刊上。</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;">主页：http://sites.nlsde.buaa.edu.cn/~xlliu/</p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; box-sizing: border-box !important; overflow-wrap: break-word !important;">商汤新加坡研究团队作为商汤算法研究能力出海的前哨站，自2020年成立以来，服务国内外智慧城市、智慧文旅等多个新兴行业。产品研发与前沿研究并重，专注感知、重建与生成，技术方向包括场景理解、3D点云、虚拟数字人等。团队在一年内有多篇论文被 NeurIPS、ICLR、CVPR 等国际顶级会议接收，并与国际顶尖高校和知名教授达成研究合作。</p></div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p></div><div><div><div><div><div><div><div></div></div></div></div></div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important; font-size: 15px;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">会议论文</strong></span></p></div></div></div></div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">https://openreview.net/forum?id=9QLRCVysdlO </p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p></div></div></div><div><div><div><div><div><div><div></div></div></div></div></div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important; font-size: 15px;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">项目网址</strong></span></p></div></div></div></div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">https://htqin.github.io/Projects/BiPointNet.html </p><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><br/></p></div></div></div><div><div><div><div><div><div><div></div></div></div></div></div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;"><span style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important; font-size: 15px;"><strong style="margin: 0px; padding: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">代码地址</strong></span></p></div></div></div></div><div><div><div><p style="margin-top: 0px; margin-bottom: 0px; padding: 0px; max-width: 100%; clear: both; min-height: 1em; white-space: normal; box-sizing: border-box !important; overflow-wrap: break-word !important;">https://github.com/htqin/BiPointNet</p></div></div></div>
讯享网
2025年pointcnn代码（pointnet代码运行）

相关推荐
