Deep learning 点云数据集的规范化（特征缩放）
我有点云数据集，其中单个数据由N*3表示，其中N是点数。类似地，我在数据集中有“M”个点云。这些点云的范围变化很大。一些具有非常大的值（例如，对于所有N个点而言为10^6），而一些具有非常小的值（例如，对于所有N个点而言为10^1）。我想标准化每个点云。我该怎么做 Q1。我是否应该仅从该点云中选择“最小值”和“最大值”，沿x、y、z维度分别对每个点云（单点云N*3）进行规格化（最小值-最大值）。在这种情况下，对于所有“M”点云，我们有不同的最小-最大值。输出点云也是如此。请查看图像以了解更多信息Deep learning 点云数据集的规范化（特征缩放）,deep-learning,pytorch,point-clouds,batch-normalization,feature-scaling,Deep Learning,Pytorch,Point Clouds,Batch Normalization,Feature Scaling,我有点云数据集，其中单个数据由N*3表示，其中N是点数。类似地，我在数据集中有“M”个点云。这些点云的范围变化很大。一些具有非常大的值（例如，对于所有N个点而言为10^6），而一些具有非常小的值（例如，对于所有N个点而言为10^1）。我想标准化每个点云。我该怎么做 Q1。我是否应该仅从该点云中选择“最小值”和“最大值”，沿x、y、z维度分别对每个点云（单点云N*3）进行规格化（最小值-最大值）。在这种情况下，对于所有“M”点云，我们有不同的最小-最大值。输出点云也是如此。请查看图像以了解更多信息
Q2.或者我应该仅从整个数据集中选择最小值和最大值（从x、y、z列中的M*N*3）来规范化（最小-最大）沿x、y、z维度的所有点云。在这种情况下，对于所有“m”点云，我们有相同的最小-最大值。请查看图像以了解更多信息您应该使用选项1 标准化的重点是将输入标准化到您的网络中-在最小-最大标准化的情况下，这将把您的3个特征（我假设
xyz