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現有三維形狀深度特徵表示方法：polygonal meshes
volumetric
multi-view images rgb(d)
基於手工特徵的方法隨著三維成像感測器的發展與普及，三維研究得到越來越多的關注，特別是針對大規模點雲的特徵學習。基於投影圖像的方法
基於三維體素的方法
基於原始資料的方法
點雲是一種不規則的資料，具有以下特點：
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...
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...
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...