隨著低成本，小型化三維感測器的普及，並且三維資料可以更好的感知和理解周圍環境，因此，基於三維資料的一些應用領域，例如：機械人，ar/vr，人機互動，自動駕駛等都具有越來越廣闊的發展前景。
三維資料的處理方法較二維要複雜很多，其中乙個重要的原因是因為三維資料本身的特性造成，三維資料有很多種變現形式，包括點雲，三角網格，體素，多視角，深度圖等等。其中深度圖通常由於其只能表示物體在單個視角下的距離資訊因此被稱為2.5d資料。
利用三維資料可以完成點雲配準，三維模型重建，三維模型識別，三維目標檢測，三維模型生成，場景語義分割等視覺任務。
從上世紀90年代開始。三維形狀形狀特徵提取演算法經歷了20餘年的發展，逐漸從手工特徵提取過渡到深度學習。首先，傳統的三維形狀理解一般依靠規則，根據固定模式，借助具體特徵，但是隨著三維資料種類和數量的增多，這類理解方案邊的低效和不準確。其次，手工特徵通常通過提取三維形狀幾何屬性的空間分布或者直方圖統計等方法得到典型代表如spin image、fpfh、heat kernel signature (hks)、meshhog、rops等[1]。但是這一類的方法依賴於專業領域知識，不能夠獲得適用於某一特定任務的最優的三維形狀特徵描述，這一情況也造成對認為定義特徵的依賴導致已有方案在大資料面前捉襟見肘。
參考文獻
[1]. y. guo, m. bennamoun, f. sohel, m. lu, j. wan. 3d object recognition in cluttered scenes with local su***ce features: a survey ieee pami, 36: 2270-2287, 2014
點雲深度學習
參考部落格 研究背景 我們周圍的世界是三維，三維研究可以讓機器更好地感知周圍環境。有效的三維特徵表示是實現點雲配準 三維模型重建 三維形狀檢索 場景語義分割等視覺任務的基礎。三維資料表示 point cloud polygonal meshes volumetric multi view image...
雷射點雲學習一 點雲常用特徵
一 對點雲特徵的要求 理想情況下相同或相似表面上的點的特徵值將非常相似 相對特定度量準則 而不同表面上的點的特徵描述子將有明顯差異 下面幾個條件,通過能否獲得相同的區域性表面特徵值,可以判定點特徵表示方式的優劣 1 剛體變換 rigid transformations 一一 即 三 維旋轉和 三 維...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...