论文解读｜三维点云深度学习的综述

原创 | 文 BFT机器人 

3D采集技术快速发展，各类型的3D扫描仪、激光雷达及RGB-D相机等得到更多使用。3D传感器从三维数据中获取其中丰富的语义信息，结合2D图像，更好的显示出数据信息。三维数据通常可以用不同的格式表示，包括深度图像、 点云、网格和体积网格。作为一种常用的表示形式，点云表示时不需要任何离散化，保持了原始三维空间的几何信息。点云处理是自动驾驶和机器人等许多场景理解相关应用的首选表示。

近年深度学习已经在许多研究领域大放光彩，如计算机视觉、目标检测、语音识别和自然语言处理，通过深度卷积神经网络通过大规模的图像数据信息进行自我学习特征分析的表达方式，且表现出较好的准确性和鲁棒性。然而，三维点云上的深度学习仍然面临着几个重大挑战，如数据集规模小，三维点云的高维性和非结构化,深度学习主要是通过分析结构化数据中的信息不断学习。

目前处理三维点云的深度学习方法，随着更多数据集的公开使用，进一步推动了点云在深度学习领域的研究，更多的分类方式被使用，像是3D形状分类，3D对象的目标跟踪还有3D点云的分割与重建。

该文的主要贡献包括有：

（1）3D形状分类，3D目标检测和跟踪，以及3D点云分割。

（2）关注3D点云的深度学习方法，而不是所有类型的3D数据。

（3） 本文介绍了深度学习在点云上的最新进展，展示提供了最先进的方法。

（4） 在几个公开可用的数据集上提供了现有方法的综合比较分析并提出简要的总结和讨论。