论文解读 | 三维点云深度学习的综述

原创 | 文 BFT机器人 

KITTI 是作为基准测试是自动驾驶中最具影响力的数据集之一，在学术界和工业界都被广泛使用。现有的三维对象检测器存在着两个限制。第一是现有方法的远程检测能力相对较差。其次，如何充分利用图像中的纹理信息仍然是一个开放性的问题。

多任务学习是三维目标检测的未来发展方向。有的学习了一个跨模态表示，以通过合并多个任务来实现最先进的检测性能。还有三维目标跟踪和场景流估计是一个新兴的研究课题得到了越来越多人的研究。

三维点云分割这一重要方向，它需要我们理解全局几何结构和每个点的细粒度细节。根据分割粒度分割方法可分为语义分割（场景级）、实例分割（目标级）和部分分割（部分级）三类。

局部表示方法主要是通过对每个点的局部邻域进行建模来描述点云的局部特征，例如使用球形邻域或K近邻方法。全局表示方法则是通过对整个点云进行建模来描述点云的全局特征，例如使用基于几何形状的描述符或基于深度学习的方法。 主要讨论的是点云的局部和全局表示方法可以互相补充，从而提高点云的特征表达能力和分类性能。局部表示方法可以捕捉点云的局部特征和局部形状信息，而全局表示方法可以捕捉点云的全局特征和全局形状信息。因此，综合使用局部和全局表示方法可以更好地描述点云的形状和特征，提高点云的分类和识别性能。