发布时间：
以paperfree官网举例，微信扫码登录，提交检测报告，等论文检测完成时候，点击“查看报告”，在报告列表找到要打开的论文，点击右侧“查看报告”。
1、论文包含目录、摘要、正文、参考文献、附录，检测内容根据学校的要求来提交，目录和参考文献格式正确被系统识别到了的话系统是不参与检测，所以目录和参考文献的格式一定要正确；2、论文检测系统是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。3、检测查重报告解读，全文标明引文中标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。4、论文重复率要求：本科院校一般是15%-30%之间；硕博要求一般是5%-10%，所以同学们在查重前咨询下学校的要求，这样才能够有把握。 5、检测系统多少还是会有一点浮动，同学为了保险起见提交到学校之前用定稿系统检测一遍比学校要求底个5%最为保险6、知网查重价格和次数都有一定的限制，同学在初稿检测的时候可以用paperfree系统检测，这个系统有免费检测的次数，关键是方便修改。
工具／原料：
oppo真我q2、安卓、WPS Office最新版本。
1、首先打开WPS Office，点击右下角应用，如图。
2、接着点击论文查重。
3、其次点击选择文档，如下。
4、选择你要查重的论文，如图所示。
5、点击开始查重，就可以啦。
论文查重是借助论文查重系统进行的，论文作者只需要把论文上传到查重系统，系统会根据论文目录进行分段查重。
1、在查重报告中，标黄色的文字代表这段话被判断为“引用”，标红色的文字代表这段话被判断为“涉嫌剽窃”。
2、查重是以“连续13个字重复”做为识别标准。如果找不到连续13个字与别人的文章相同，就检测不到重复。
3、论文中引用的参考文献部分也是会计算相似度的。
4、在知网的对比文库中，外文资料相对较少。
5、对比文库里不包括书籍，教材等。但有一个问题要注意，当你“参考”这些书籍教材中的一些经典内容时，很可能别人已经“参考”过了，如果出现这样子的情况，那就会被检测到相似。
6、检测系统对论文的分节是以“章”作为判断分节的。封面、摘要、绪论、第一章、第二章、等等这样一系列的都会各自分成一个片段来检测，每一个片段都计算出一个相似度，再通过这样每章的相似度来计算出整篇论文的总重复率。
7、当查重系统识别到你论文中有某句话涉嫌抄袭的时候，它就会对这句话的前面后面部分都重点进行模糊识别，这个时候判断标准就变得更严格，仅仅加一些副词或虚词(比如“的”、“然后”、“但是”、“所以”此类词语）是能够识别出来的。
8、在查重进行中，检测系统只能识别文字部分，论文中的图片、word域代码、mathtype编辑的公式、是不检测的，因为检测系统尚无法识别这些复杂的内容格式。可以通过[全选]——[复制]——[选择性粘贴]——[只保留文字]这样步骤的操作来查看具体的查重部分。另外，在编辑公式时，建议使用用mathtype，不要用word自带的公式编辑器。
9、在论文提交到学校之前，一定要自己先到网站查一下，如果有检测出来相似度较高的片段，自己先改一改。 论文修改一次以后，不要以为就肯定能过了，因为系统会根据论文内容的不同自动调整着重检测的段落，所以有时候第一次查重的时候是正常的，一模一样的句子，第二次检测的时候会判断为“抄袭”。这也是没有办法的，只能多查多改。
10、官方检测系统不对个人开放，学生自己是无法自行到知网去检测论文的，只能通过第三方检测平台进行。
论文查重的相关说明
论文查重，不同学校要求也不同，当然对于硕博与本科等区别也比较大；本科院校30%以内的也有，15%的也有；硕博的10%内的也有，所以同学们在查重前咨询下学校的要求，这样才能够有把握。
对于查重的原理基本上是一致的，没有区别；但是对于投稿的论文查重，建议使用跟杂志社要求的系统一致，比如知网期刊；如果需要排除作者自己的论文，那么只有查知网的才可以，其他的系统无法进行排除。
对于论文查重系统，并不是什么内容都查的出的，主要看文献库是否收录了当前内容，如果没有，那么就是查不出的。
对于论文查重系统来说并没有那么神秘的地方，同学们查重完成后，只要根据查重报告好好的修改，基本上都是没问题的。
每个软件的数据库不太一样。笔杆论文查重，我用过，也是在学校用的，还不错，跟知网相差不大。如果学校用的是知网，最后再用跟学校一样的知网。
系统之前的算法都是与差异的，自然检测出来的结果也是不同的，不过初稿的话先查在修改，定稿在用知网也可以。
您好，详细与我交流，谢谢
目前个人认为笔杆网是最贴近知网的查重系统，跟很多学校有合作，值得推荐，我们学校图书馆就能用。两者估计上下浮动5%左右，这是大部分情况。当然偶尔有文章相差也会大些，毕竟不同的检测系统的比对库有些区别，算法也不同，而文章借鉴部分也各不相同。
笔杆论文一键出稿查重能过吗内容如下：
其实查重宝典不能给你正确的答案，因为检测系统不同，导致不同的数据库和基本原理是不同的，对于检测报告是没有可比性。
虽然说笔杆论文查重的检测报告生成只需要很短的时间，但如果论文的篇幅比较长的话，那么等待的时间是会增加。同时检测报告是会自动保存到个人中心内。虽说基本原理并没有公示出来，但我们知道知网查重的基本思路是获得肯定的。其实笔杆论文查重刚开始面向市场的市场，是有一段时间是免费使用。因为首先是需要打开市场，得到用户的肯定。但现在了解好像是需要积累积分，这个积分估计是需要充值。
查重宝典没有去尝试过充值，虽然是变相的一种收费，但这种收费相对于知网而言并不是很高。而且是有再洗选题写作，支持论文辅导修改等功能，其实我觉得还是比较适合于初稿检测。笔杆论文查重准吗？大家估计是会问笔杆论文查重的步骤操作麻烦吗？如果要去使用的话，那该怎么去操作的呢？首先我们应该将写好的论文把封面提出掉，因为放进去的话或占用一定的字符数是没有意义，更何况封面是不进行检测；其次就是要求大家输入文章的标题了。
这里有两种方式，一种是直接上传文章的文档，还有一种就是需要把检测的内容进行复制粘贴并提交检测；最后是等待时间，大家是需要把页面跳转到检测报告的页面中，科查看到论文的复制比，其实也可以进行下载并查看修改降重。
虽说笔杆论文查重的步骤操作起来不是很麻烦，但作为查重宝典可要提醒大家，对于这块的安全性大家是否考虑清楚了，而且对于文章的外泄是不是有可能呢。
先不说检测报告的准确性了，对于每步的操作没有一个任何的验证，而且检测报告证明去验证真伪，这点不得不去考虑。
笔杆网查重是不会被泄露的，笔杆网是一款基于大数据的写作与创新辅助工具，覆盖了图书、期刊、学位论文、会议论文、报纸、标准、专利、互联网博客等文献类型，一般来说，笔杆网查重率的准确性是比较高的。 扩展资料 笔杆网查重是不会被泄露的.，笔杆网收录整理了超过5亿元数据，这个平台围绕了毕业论文写作和职称论文写作服务，目前分为六大模块，分别是选题分析、资料搜集、提纲推荐、在线写作、参考文献、论文查重，笔杆网查重一般只需等待几秒钟，即使你的论文内容非常多，也只需等待几分钟。检测报告会自动地保存到个人中心的检测报告内，另外笔杆论文查重系统对比库包括期刊指纹数据库、学位论文指纹数据库、会议论文指纹数据库、图书指纹数据库、网页指纹数据库等海量对比指纹数据库。
笔杆网和知网查重的相似度为80%，笔杆网比知网高20%左右，知网查重系统独有“大学生联合对比库”，知网能检测出学长的毕业论文，所以尽量不引用学长的论文。笔杆论文查重系统则是没有这个数据库的，如果你抄了学长的毕业论文，笔杆网可能无法检测到。
杆网查重目前收费比较便宜，还可以使用在线选题写作等功能，是写论文时辅助修改的好工具，初稿可以试试看。但大学又是以知网查重为准的，他们的检测结果会有些许差别，最后最好使用知网检测一次。
知网查重与笔杆查重区别
第一、检测时间的区别
笔杆检测一般只需要等上30秒左右的时间，即使你的论文内容很多，也只需要等上几分钟，通过个人账户可以查看检测报告。但知网查重一般要半小时，慢的需要几个小时，此外，笔杆检测不支持PDF查重，上传的文档格式限制为doc、docx、txt格式。
第二、检测原理的区别
知网是系统判断重复的连续13个字符相似为重复，且知网系统存在5％的阈值，同一文章在进行检测时也会有误差。目前笔杆网检测的原理还不清楚，但肯定不同于知网检测。
阅读大量的论文并将相关信息有条理地写到文稿中的背景介绍部分并非易事。在写的时候，重要的是要避免内容的重复和剽窃。
抄袭他人的想法、数据或文字可能会导致严重后果，比如论文被撤回或者科研经费的损失，还可能导致作者信誉和声誉的丧失。为避免稿件内容重复，请遵循以下提示：
正规毕业论文查重是不包括参考文献的，参考文献并不在毕业论文查重范畴内。可是毕业论文查重并不能够识别全部的参考文献，只有符合格式的参考文献才会被毕业论文查重识别出来，这也就意味着只有参考文献的格式规范且正确的时候，毕业论文查重才会将该部分参考文献排除出查。
1、在引用别人的文章时，连续的抄袭300字以上，内容相似度80％，并且在文本里不加注释，这种行为做两次后，就会被视为抄袭。
2、注释只能在引用、其他毕业论文和实用材料中引用独特的观点时使用，而并非所有这些观点都可以被引用。
3、已发表和未发表的论文、版面、结构、内容和论据如果一致性超过60%，则视为剽窃。与发表的重要论文和内容相似，包括超过70%的引用，它们也被认为是剽窃。
4、很多论文引用部分的格式都会有误，或者文中的注释和参考文献不一致，论文引用的观点、数据、资料如果没有来源的注释性文献，是文献引用的不规范行为，将被标红。
①本科毕业论文的查重率在30%以内，可以申请答辩；申请院内优秀论文重复率需要在15%以内；申请校级优秀论文需要重复率在10%以内；论文查重率50%以内有一次修改机会；修改后检测不通过延期答辩；超过50%的答辩被延长半年。
②硕士论文重复率在20%以内的可以申请答辩；40%以内有一次机会进行返修，修改后的检测不通过，则答辩延期；查重率在40%以上的直接延期半年。
③博士论文重复率在10%以内的可以申请答辩；博士论文检测率超过20%直接延长半年至一年答辩。
当然，也会有特殊的情况，例如，清华大学对本科生毕业论文的规定更为严格，具体标准可咨询辅导员。
参考资料来源：百度百科-中国论文查重网
你有标记引用吗？在论文中常常有会有忘记加引用符号，而变成抄袭的情况。比如Gocheck查重系统引用识别方式有四种：1.种是在文章加“”符号；2.在正文中有来源于参考文献中文章的内容3.文中的【数字】的部分4.以及在Word自带的插入脚注都可以被识别为引用。分享解决方法：1、如果是引用，在引用标号后，不要轻易使用句号，如果写了句号，句号后面的就是剽窃了（尽管自已认为是引用），所以，引用没有结束前，尽量使用分号。有些人将引用的上标放在了句号后面，这是不对的，应该在句号之前。2、可以将文字转换为表格，将表格边框隐藏。3、如果你看的外文的多，由外文自己翻译过来引用的，个人认为，不需要尾注，就可以当做自己的，因为查重的数据库只是字符的匹配，无法做到中文和英文的匹配。4、查重是一个匹配的过程，是以句为单位，如果一句话重复了，就很容易判定重复了，所以：的确是经典的句子，就用上标的尾注的方式，在参考文献中表达出来，或者是用：原文章作者《名字》和引号的方式，将引用的内容框出来。引号内的东西，系统会识别为引用如果是一般的引用，就采用罗嗦法，将原句中省略的主语、谓语、等等添加全，反正哪怕多一个字，就是胜利，也可以采用横刀法，将一些句子的成分，去除，用一些代词替代。或者是用洋鬼子法，将原文中的洋名，是中文的，就直接用英文，是英文的直接用中文，或是哦中文的全姓名，就用中文的名，如果是中文的名，就找齐了，替换成中文的姓名。故意在一些缩写的英文边上，加上（注释）(画蛇添足法），总之，将每句话都可以变化一下，哪怕增加一个字或减少一个字，都是胜利了。特别注意标点符号，变化变化，将英文的复合句，变成两个或多个单句，等等，自己灵活掌握。因为真正写一篇论文，很罕见地都是自己的，几乎不可能，但大量引用别人的东西，说明你的综合能力强，你已经阅读了大量的资料，这就是一个过程，一个学习、总结的过程。所有的一切，千万别在版面上让导师责难，这是最划不来的。导师最讨厌版面不规范的，因为他只负责内容，但又不忍心因为版面问题自己的弟子被轰出来。5、将别人的文字和部分你自己的文字，选中，复制（成为块，长方形），另外在桌面建一个空文件，将内容，复制到文件中，存盘，关闭。将这个文件的图标选中，复制，在你的正文中的位置上，直接黏贴，就变成了图片了，不能编辑的。这个操作事实上是将内容的文件作为一个对象插入的，所以是图片。这个操作事实上是将内容的文件作为一个对象插入的。所以是图片。以上那些东西再次总结一下：查重是一个匹配的过程，是以句为单位，如果一句话重复了，就很容易判定重复了，所以：1）如果的确是经典的句子，就用上标的尾注的方式，在参考文献中表达出来。2）如果是一般的引用，就采用罗嗦法，将原句中省略的主语、谓语、等等添加全，反正哪怕多一个字，就是胜利。3）也可以采用横刀法，将一些句子的成分，去除，用一些代词替代。4）或者是用洋鬼子法，将原文中的洋名，是中文的，就直接用英文，是英文的直接用中文，或是中文的全姓名，就用中文的名，如果是中文的名，就找齐了，替换成中文的姓名。5）故意在一些缩写的英文边上，加上（注释）(画蛇添足法），总之，将每句话都可以变化一下，哪怕增加一个字或减少一个字，都是胜利了。）如果是引用，在引用标号后，不要轻易使用句号，如果写了句号，句号后面的就是剽窃了（尽管自已认为是引用），所以，引用没有结束前，尽量使用分号。有些人将引用的上标放在了句号后面，这是不对的，应该在句号之前。7）可以将文字转换为表格、表格基本是查重不了的，文字变成图形、表格变成图形，一目了然，绝对不会检查出是重复剽窃了。有的同学问：“我明明引用了别人的段落或句子，为什么没有检测出来？”也有的同学问：“我的引用标注了出处，为什么还算抄袭？”首先，引用算不算抄袭，与标注出处没有任何关系，引用能不能检测出来，与系统准不准确也没有关系。所有这些都靠系统的阀值来决定。中国知网对该套检测系统的灵敏度设置了一个阀值，该阀值为3%，以段落（或章节）的字数来计算，单篇文献低于3%的抄袭或引用是检测不出来的，这种情况常见于大段文字中的小句或者小概念。举个例子：假如检测段落1（第一章）有10000字，那么引用A文献300字（10000乘以3%=300）以内，是不会被检测出来的。若引用B文献超过300字，那么B文献分布于第一章中的抄袭都会被红字标注，不管位于第一章何处，即使打断成句子，只要超过20字就会被标注。①实际上这里也告诉同学们一个修改的方法，就是对段落抄袭千万不要选一篇文章来引用，尽可能多的选择多篇文献，一篇截取几句，这样是不会被检测出来的。②关于一些同学问引用的为什么也算抄袭，这里主要是因为知网的阀值问题，高于3%的统一算抄袭，也就是说引用于抄袭的临界就在3%之间。一旦你超标，即使你标注了引用也无济于事。所以请同学们注意。我们举例说明：某篇论文第一章有5000字，那么第一章中，我们就只能引用A文献150字以下，否则会被系统认为是抄袭。第二章4000字，那么我们只能引用A文献120字以下，否则会被系统认为是抄袭。第三章8000字，第四章7000字，分别为240字以下和210字以下，以此类推。综上所述，引用超标的计算方式是按章计算，这与抄袭的计算方式是一样的。
参考资料： 行人检测算法 行人检测是使用计算机视觉技术来判断图像或视频中是否存在行人。可以通过跟行人跟踪，行人重识别技术，来应用于人工智能系统，车辆辅助驾驶系统、智能交通等领域① 处理数据 ② 训练模型 ③ 输出目标位置① 外观差异大。包括视觉、姿态、服饰和附着物、光照、成像距离等。行人不同的运动姿态、角度，都会显示出不同的外观，而且成像距离远近不一，也会造成外观大小不同 ② 遮挡问题，在行人密集的地方，会发生行人被遮挡的问题，或者是被周围的建筑物遮挡住 ③ 背景复杂，有些物体的外观、造型、颜色、纹理等都比较接近人体，例如雕塑或人像广告牌、假人等。之前就有个新闻说红绿灯行人越线检测时，把公共汽车上的代言人广告中的代言人也检测了出来 ④ 检测速度，行人检测一般使用了比较复杂的模型，运算量相当大，要达到实时非常困难，一般需要大量的优化Faster R-CNN 文献[16]分析了Faster R-CNN在行人检测问题上的表现，结果表明，直接使用这种算法进行行人检测效果并不满意。作者发现，Faster R-CNN中的RPN网络对提取行人候选区域是相当有效的，而下游的检测网络表现的不好。作者指出了其中的两个原因：对于小目标，卷积层给出的特征图像太小了，无法有效的描述目标；另外，也缺乏难分的负样本挖掘机制。作者在这里采用了一种混合的策略，用RPN提取出候选区域，然后用随机森林对候选区域进行分类。这一结构如下图所示： DeepParts 文献[21]提出了一种基于部件的检测方案，称为DeepParts，致力于解决遮挡问题。这种方案将人体划分成多个部位，分别进行检测，然后将结果组合起来。部位划分方案如下图所示： 整个系统的结构如下图所示： RepLoss RepLoss[14]由face++提出，主要目标是解决遮挡问题。行人检测中，密集人群的人体检测一直是一个难题。物体遮挡问题可以分为类内遮挡和类间遮挡两类。类内遮挡指同类物体间相互遮挡，在行人检测中，这种遮挡在所占比例更大，严重影响着行人检测器的性能。 针对这个问题，作者设计也一种称为RepLoss的损失函数，这是一种具有排斥力的损失函数，下图为RepLoss示意图： RepLoss 的组成包括 3 部分，表示为： 其中L_Attr 是吸引项，需要预测框靠近其指定目标；L_RepGT 和 L_RepBox 是排斥项，分别需要当前预测框远离周围其它的真实物体和该目标其它的预测框。系数充当权重以平衡辅助损失。 HyperLearner 文献[25]提出了一种称为HyperLearner的行人检测算法，改进自Faster R-CNN。在文中，作者分析了行人检测的困难之处：行人与背景的区分度低，在拥挤的场景中，准确的定义一个行人非常困难。 作者使用了一些额外的特征来解决这些问题。这些特征包括： apparent-to-semantic channels temporal channels depth channels 为了将这些额外的特征也送入卷积网络进行处理，作者在VGG网络的基础上增加了一个分支网络，与主体网络的特征一起送入RPN进行处理： 其他的基本上遵循了Faster R-CNN框架的处理流程，只是将anchor参数做了改动。在实验中，这种算法相比Faster R-CNN有了精度上的提升。 从上面的回顾也可以看出，与人脸检测相比，行人检测难度要大很多，目前还远称不上已经解决，遮挡、复杂背景下的检测问题还没有解决，要因此还需要学术界和工业界的持续努力。
行人重识别任务的目标是希望在多个不具有重叠区域的摄像场景中实现行人的检索。目前行人重识别根据采用的组件不同可以分为closed-world和open-world两种。closed-world场景相对而言目前研究较深入，其主要针对于不同的应用假设，在多个数据集上都取得较好的性能，比如Market1501，CUHK和DUKE等。 closed-world场景一般研究重点有三部分：深度特征表示学习、深度度量学习和rank优化。而open-world场景则相对更加复杂。本文总结了open-world场景中ReID的五个不同视角，提出了一种AGW基线方法，在多个ReID任务上都取得较好性能。另外，本文还提出了一种新的评估度量 mINP。最后探索了ReID目前亟待解决的一些方向。
基本定义： 非重叠的多个摄像场景中，特定行人的检索问题。具体而言，给定一个待检索的目标行人，ReID希望能够判断这个目标是否出现在不同时刻不同场景不同摄像头的场景中。 基本难点： 行人的视角、图像分辨率变化、光照变化、姿态变化、遮挡，不同模态等。 该综述的不同点：
根据上面五块内容，ReID任务分为closed-world和open-world两类，区别如下：
closed-world场景的一般前提：1）输入时裁剪后的行人图像块；2）有监督学习；3)检索目标一定存在gallery中。 closed-world场景模型一般包含3部分：特征抽取、度量学习和rank 优化。
如下图所示，一般包含四类：
知识点：
ReID的难点包括视角不同，遮挡等，行人区域可能不对齐，这时往往希望通过部件或者区域特征进行对齐。主流趋势是combine全局特征和部件特征。以PDC模型为代表的pose驱动方法，通过pose获得部件信息，然后利用部件的attention进行检索。PCB方式是利用图像均匀划分的典型。其将目标框水平分成6个条带，每个条带进行独立的分类任务学习，在推理阶段将六条条带的特征进行concat表征整体。另外还通过refined part pooling策略增强了部件内部的一致性，具体是计算每个部件与所有像素点的相似度进行重新划分，可以认为是一种non-local的attention。 行人parsing技术能够获得较好的语义部件，提供更对齐的部件特征，但需要额外的pose检测器且由于ReID数据集和Pose数据集的分布差异，易产生错误的pose。均匀划分的策略更灵活，但对严重遮挡和大的背景模糊无能为力。
辅助特征表示学习一般包括额外的标注数据，比如语义标注，和训练样本生成等。
该任务中，每个目标不再是图像区域，而是一段帧序列。
待续（ReID领域新接触，积累不够，综述文章读着好多理解不够深入，先去读具体方法了;( 后面积累了，再回来阅读这个吧。。。留坑）
将行人作为特定的行人检索问题，大多数方法都采用用于图像分类的网络结构作为backbone。其中一些方法通过修改backbone的结果以提取更好的ReID特征，比如对于ResNet50而言，一般将最后一个stage的stripe改为1以增大分辨率（参考文献PCB），或者最后一个pooling层采用自适应的平均池化（这里参考文献是PCB模型，池化时时不同的条带中进行gap），再或者在pooling层后添加具有bn的bottleneck 层（暂停，滚去阅读参考文献75， SVDNet了！（OK，已读完，见 ，和作者说的其实有出入，并不是加了bn，而是希望投影向量正交，从而获得的表观特征在每个维度上相互独立））。 其他的一些为ReID专门设计的网络结构有 FPNN(filter pairing neural network), 通过部件鉴别信息的挖掘同时处理不对齐和遮挡问题(暂停，去读参考文献34，DeepReID （已读， ）)，[141]提出一种提升邻域差异的层用于捕捉patch特征的差别，进而把这种差异送入后面的层中(感觉类似resnet的思想。(读完， 其实就是提出一种结合了self-attention的part-aware module方法search space中，使用NAS迭代的搜索方法寻找针对于数据集的最优结构，当然说是专门为reid设计的网络结构也没毛病。))
论文地址： 前置文章：10/16、10/17、10/18
本文提出了Point Fractal Network(PF-Net),旨在从不完整的点云数据中恢复点云，克服了之前方法修改现有数据点、引入噪声和产生几何损失的缺点。
由前置文章可知，之前的点云修复方法是输入不完整的点云，输出完整的点云，但这样会导致原有信息的缺失。这篇文章提出PF-Net，主要特点有三个：
网络的整体结构如下：
网络详细推理步骤如下：
损失函数使用完整性损失和对抗损失的加权平均，完整性损失使用L-GAN中提出的CD距离：
对抗损失使用GAN中常见的损失函数
感觉这篇文章对多尺度的运用非常极致，在编码器、解码器和CMLP中都应用了这种思想，最后的效果也非常不错，很值得借鉴。
论文地址：
PointNet提出一种基础的网络结构，可以用于点云分类、部分分割和语义分割等多种任务。在这篇文章之前，点云数据的处理方式是将点云数据转换为多个二维的视图或三维的体素形式，然后应用2D/3D CNN进行处理，但这样引入了多余的体积，效率不高。本文是第一个直接使用点云数据的神经网络。（其实可以这样类比，在二维图像处理中，假设图像是二值化的，传统方法是将这个图像直接丢到CNN里面，但如果背景特别多会比较浪费资源。直接使用点云数据相当于直接将前景像素的坐标输入到神经网络里面，对稀疏数据会有比较好的性能，但因为以下三个问题导致直接使用坐标信息比较困难） 由于点云的排列是无序的（可以想象，点云中任意一点排在前面对点云的表达都是相同的）、点云之间是有相互作用的（相邻的点云才能构成形状）、点云在某些变换下具有不变性（比如旋转不会改变点云的类别）这些特性，要求神经网络既能处理无序的数据，又能捕捉全局的结构特征，同时对刚性变换不敏感。基于这些条件，作者提出了如下的网络结构：
可以简要分析一下网络的工作流程，以点云分类问题为例：
感觉网络的结构虽然简单，但是却很好地满足了点云数据自身特性对神经网络的要求。而且我觉得在图像处理中，也有时候必须用到坐标信息或者一些标量特征，这篇文章的方法对于怎样将这些特征融合进CNN里面也有一定的启发意义。
论文地址：
这篇文章的主要工作是：
首先来看衡量两个点云相似程度的指标部分，作者首先给出了两个距离，EMD和CD：
在计算上，CD更为简便，而且EMD是不可导的。
基于这两种距离，作者引入了三种衡量两个点云相似程度的指标：JSD、Coverage和MMD：
定义了指标后，就可以实现自动编码器和生成模型了。作者提到了四种结构，分别是：
作者同时验证了AE的一些其他功能，比如如果给AE的编码器输入不完整的点云数据，即可训练得到点云复原的模型。使用SVM对低维表示进行分类，即可进行点云分类的任务，证明AE在点云数据形式中的潜在应用较为广泛。
论文地址：
PointNet++针对PointNet提取局部信息能力不强的弊端，提出了一种层次神经网络，可以更好地提取局部信息。其中心思想是将整个点云分割成若干个小部分来提取信息，然后将每个小部分整合成较大的部分，提取更高层次的信息。类似于CNN中卷积和下采样的思想。首先来看网络结构图：
网络大概可以分为两个部分，左边是层次的点云特征提取网络，右边是针对不同任务的解码网络。 特征提取分为若干个set abstraction模块，每个模块又分为采样层、分组层和特征提取层。
得到了较高层次的特征后，对不同的任务需要不同的解码网络。对分类网络来说比较简单，使用全连接即可。对分割网络来说，由于对每个点都需要输出数值，则需要类似上采样的操作。具体的实现作者使用了插值的方法，将较少的点插值到较多的点上去。首先找到插值的目标坐标，然后寻找K个距离最近的已知点，以距离的倒数作为权重，将K个点的特征做加权平均，作为这个点的特征。然后使用之前特征提取中得到的该点的特征与当前特征做一个拼接，即可得到最终特征（类似U-Net的skip connection）。公式如下：
感觉这篇文章和PF-Net的思想差不多，都是希望提取多尺度的特征。但是思路不一样，都值得借鉴。