【论文速读】点云深度学习论文综述
文章：Deep Learning for 3D Point Clouds: A Survey
作者：Yulan Guo , Hanyun Wang , Qingyong Hu
翻译：particle
来源：https://arxiv.org/pdf/1912.12033.pdf
本文仅做学术分享，如有侵权，请联系删除。欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。
论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。
●论文摘要
点云深度学习由于其在计算机视觉、自动驾驶、机器人等领域的广泛应用，近年来受到越来越多的关注。深度学习作为人工智能的主流技术，已经成功地应用于解决各种二维视觉问题。然而，由于用深度神经网络处理点云所面临的独特挑战，点云的深度学习仍处于起步阶段。最近，关于点云的深入学习变得更加繁荣，有许多方法被提出来解决这一领域的各种问题。为了促进未来的研究，本文综述了点云深度学习方法的最新进展。它包括三个主要任务，包括三维形状分类、三维目标检测与跟踪和三维点云分割。它还提供了几个公开数据集的比较结果，探讨未来的研究方向。
三维点云的现有深度学习方法的分类
●内容介绍
这是一篇全面涵盖多个重要点云相关任务的深度学习方法的综述论文，包括三维形状分类、三维目标检测与跟踪、三维点云分割等；相对于已有的综述文章，本文更加关注三维点云的深度学习方法，而不是所有类型的三维数据；’介绍了点云深度学习的最新进展。因此，它为读者提供了最先进的方法；提供了现有方法在几个可公开获得的数据集上的全面比较，并提供了简要的总结和深入的讨论。
总结了现有的三维形状分类、三维目标检测和跟踪以及三维点云分割的数据集
三维形状分类网络的时间顺序概览。
在ModelNet10/40基准上比较三维形状分类结果。这里，我们只关注基于点的网络，“#params”表示相应模型的参数数量。“OA”表示总体精度，“mAcc”表示表中的平均精度。符号“-”表示结果不可用。
按时间顺序概述的最相关的基于深度学习的三维目标检测方法。
在KITTI测试三维检测基准上的三维目标检测结果对比。
在KITTI test BEV检测基准上三维目标检测结果对比。
按时间顺序概述了一些最相关的基于深度学习的点云语义分割方法。
有代表性的三维点云实例分割方法的年代概述。
●总结
本文介绍了如今最先进的三维理解方法，包括三维形状分类，三维目标检测和跟踪，以及三维场景和目标分割。对这些方法进行了全面的分类和性能比较。介绍了各种方法的优缺点，并提出了今后的研究方向。
资源
三维点云论文及相关应用分享
【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
更多文章可查看：点云学习历史文章大汇总
SLAM及AR相关分享