引言
近年来，随着数据的指数增长和不断增强的计算力，深度学习方法得到了前所未有的发展及广泛应用，特别是2D图像分类、分割和检测方面。在物体识别、目标检测等领域上其正确识别率和人类相当甚至超过人类。深度学习在图像等规则数据的分析中成果斐然，然而如何对其进行拓展以处理不规则的3D点云，仍然是一个开放性的问题。在点云深度学习中，主要包含的任务有：3D形状分类、3D目标检测和跟踪、3D点云分割。
-
- 3D表示及分析方法
三维点云有多种表示方法，不同的表示对应着不同的处理方法。
比较容易的处理方式为将其投影为二维图像或者转换为三维体素(Voxel)，从而将无序的空间点转变为规则的数据排列；也可以使用原始点作为表示，不做任何变换，该方式的好处为最大可能保留所有原始信息。此外，点云作为空间无序点集，可以被看作普适意义上的图数据。点云还有另外一种表示，称作网格(Mesh)，其也可以被看作是构建了局部连接关系的点，即为图。将点云看作图数据，可以使用图领域新兴的图卷积(Graph Convolution)技术进行处理。需要提及的是，原始点的表示和图表示之间并无明确界限。综上，点云表示主要有四种方法，分别为：基于二维投影的方法、基于三维体素的方法、基于原始点的方法和基于图的方法。
不同于图像数据在计算机中的表示通常编码了像素点之间的空间关系，点云数据由无序的数据点构成一个集合来表示。因此，在使用图像识别任务的深度学习模型处理点云数据之前，需要对点云数据进行一些处理。目前采用的方式主要有两种：
1、将点云数据投影到二维平面。此种方式不直接处理三维的点云数据，而是先将点云投影到某些特定视角再处理，如前视视角和鸟瞰视角。同时，也可以融合使用来自相机的图像信息。通过将这些不同视角的数据相结合，来实现点云数据的认知任务。比较典型的算法有MV3D和AVOD。
2、将点云数据划分到有空间依赖关系的voxel。此种方式通过分割三维空间，引入空间依赖关系到点云数据中，再使用3D卷积等方式来进行处理。这种方法的精度依赖于三维空间的分割细腻度，而且3D卷积的运算复杂度也较高。
不同于以上两种方法对点云数据先预处理再使用的方式，PointNet系列论文提出了直接在点云数据上应用深度学习模型的方法。
- 3D点云应用深度学习面临的挑战
3D数据在不同的领域有许多应用，在多项研究领域占据主导地位。但是，在三维点云上进行深度学习仍然面临数个重大挑战[1]，例如数据集规模小，维数高和三维点云的非结构化性质。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
