不忘初心~

24页3D点云综述，共计214篇参考文献，涵盖3D形状分类，3D目标检测和跟踪，3D点云分割方向和大数据集。

SUN RGB-D: A RGB-D Scene Understanding Benchmark Suite

香港中文大学（贾佳亚）提出DSGN，3D目标检测新网络，性能优于MV3D，PIXOR和F-PointNet等，代码开源。

22页的3D点云综述，共计121篇参考文献，主要介绍3D点云的目标分类，部件分割，目标检测，语义分割等任务的深度学习算法以及基准数据集。

沈春华团队提出的MPNet：学习和记忆3D带点云语义和实例分割的代表性原型。MPNet 3D实例分割性能优于3D-BoNet,ASIS 和 PartNet等网络，语义分割性能优于DGCNN和PointNet++等

一种新颖的3D点云上实例分割框架 3D-BoNet，该框架为点云中的所有实例直接回归3D边界框，同时为每个实例预测点级蒙版。Bo-Net在ScanNet和S3DIS数据集上表现SOTA，同时在计算效率方面提高了约10倍.已开源！

引入了ScanNet，这是一个RGB-D视频数据集，其中包含1513个场景中的2.5M视图，并标注了3D相机姿势，表面重建和语义分割。 为了收集这些数据，我们设计了一个易于使用且可扩展的RGB-D捕获系统，该系统包括自动表面重建和众包语义标注。我们证明了使用这些数据有助于在多个3D场景上实现最新的性能了解任务，包括3D对象分类，语义体素标签和CAD模型检索。

本文中提出了一种新颖的框架，即多任务模板匹配（MTTM），该框架可以从深度图像中找到目标对象的最接近模板，同时预测分割蒙版以及模板与场景中检测到的对象之间的姿势变换使用对象区域的相同特征图。所提出的特征比较网络通过比较模板的特征图和场景的裁剪特征来计算分割蒙版和姿势预测。该网络的分割结果通过排除不属于该对象的点，提高了姿态估计的鲁棒性。实验结果表明，尽管仅使用深度图像，MTTM仍优于基线方法对被遮挡对象进行分割和姿态估计。

本文将动态滤波器扩展到一个名为PointConv的新卷积运算中。 PointConv可以应用于点云以构建深度卷积网络。将卷积核视为由权重和密度函数组成的3D点局部坐标的非线性函数，提出了一种新颖的公式化方法，可以有效地计算权重函数，从而能够大幅扩展网络并显着改善其性能。