2023年的cvpr出來之後，在點雲處理方面給人的感覺是耳目一新，從眾多**中可以看出點雲處理的新的發展方向。
在之前的發展中，方法大致可以分為如下幾類：
point-voxel cnn for efficient 3d deep learning，在保證速度的同時提取point-wise的細粒度的特徵，減少了運算時間，提高了精度。而且該文章提出的是backbone，所以在識別、分割、分類的方法上都能使用。
3dssd: point-based 3d single stage object detector，使用point-based的分支做分割任務，使用voxel-based分支做檢測任務，point-based的特徵來自於voxel-based的插值，從而增加了一種監督方法。
pv-rcnn: point-voxel feature set abstraction for 3d object detection，同樣使用voxel-based的分支的特徵計算point-based分支的特徵，但更像是在multi scale中進一步聚合特徵，使用key point來描述整個點雲。這其實也相當於提出了一種降取樣的方法。
point和voxel相結合的方法還是需要探索的，我個人認為需要對voxel和point這兩種方法內部的具體計算做一些視覺化，或許能夠有一些啟發。
處理點雲的網路發展與處理影象的網路的發展趨勢非常相似，目前處理點雲的網路結構給人的感覺就是開始規範化，新的方法也基本屬於主流框架中，類似於pointnet，kd-net這種框架已經被淘汰。
在3d檢測方面，由於mmlab的一系列工作，包括類似的std等工作，將3d的檢測框架也規範了起來。
首先，two stage的網路框架非常類似於2d中的結構，3d卷積被廣泛的使用，在俯檢視中做第一階段的proposal。得到了proposal之後，使用aware pooling在體素中做特徵pooling，這個pooling和2d中mask rcnn中用的非常相似。而具體的操作細節，例如aware pooling，例如**point的mask，這種具體的操作已經被多篇文章證明其有效性。
one stage的模型仍然處於探索階段，目前文章還比較少，一大類別就是把點雲柵格化然後在俯檢視中做檢測，這個其實並不是特別針對3d檢測任務的。3dssd和structure-aware 3d object detection可以認為單階段的一些探索。
但相比於2d的檢測網路，3d的結構仍然是多樣的，loss也是多樣的，能不能找到一種對各種任務通用的結構是乙個值得研究的方向。
image和point的融合分為前融合和後融合，前融合一般是將point投影到image上，將image擴充套件為rgbd四通道。後融合則是採取將檢測結果進行融合。還有中間的融合，例如frustum-net這種，image的檢測結果為point中的檢測提供proposal。
總的來說，融合的階段有很多種，資料級，proposal級，結果級等，融合的方式也有很多，有將point投影到image中，以image為主體，也有通過這種投影關係獲取point的rgb資訊從而以point為主體的。所以融合方式多種多樣，但哪種方式是有效的，能不能找到一種比較通用的融合的正規化，仍然是乙個開放性的問題。
雷射雷達 C16鐳神16線三維雷射雷達使用
一 基礎知識介紹 1 點雲資料一邊採集一邊重構，對處理器的硬體資源消耗特別大，所以用電腦作為處理器時，電腦的配置要高，具體需要什麼楊的配置，下面會有資料介紹。2 雖然雷射雷達採集的資料和攝像頭採集的資料沒法做比較，但是從資料量和資料單位可做如下對比。雷神16線雷射雷達 銳兒威視130萬攝像頭感測器 ...
顯示三維點雲 三維雷射點雲資料建模
三維雷射點雲資料建模 常見的建模軟體有3dmax cad 草圖大師 revit等，在規則模型建模中，我們常會用到3dmax建模，在這裡就以3dmax為例來說明其在點雲建模應用的經驗 首先我們需要將採集到的點雲資料的原始格式轉換成autodesk軟體可以利用的rcs檔案，轉換工具就是recap或者re...
ROS入門 PCL雷射雷達點雲處理（2）待更新
直通濾波器 對xy軸進行限定，粗暴去噪 pcl passthroughpass pass.setinputcloud cloud pass.setfilterfieldname z pass.setfilterlimits 0.0,1.0 true pass.filter cloud filtere...