整体网络架构是这样：   基本上是堆积起来的网络，一共三条分支 1:image 2d feature 提取 2:正样本point cloud pointnet feature提取，3：负样本point cloud pointnet feature 提取 ，最后直接soft-margin triplet loss。   2d输入的是image 的patches， 3d输入的是volum