Deep Learning for 3D Point Clouds: A Survey(三维点云深度学习研究综述)

Deep Learning for 3D Point Clouds: A Survey(三维点云深度学习研究综述)

Guo Y, Wang H, Hu Q, et al. Deep learning for 3d point clouds: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020.
本文综述了三维理解的最新方法，包括三维形状分类、三维目标检测与跟踪、三维场景与目标分割。对这些方法进行了全面的分类和性能比较。文中还介绍了各种方法的优缺点，并列举了潜在的研究方向。
三维数据在不同领域有着广泛的应用，包括自动驾驶、机器人、遥感技术和医疗。
一些公开数据集：ModelNet、ShapeNet、ScanObjectNN、PartNet、S3DIS、ScanNet、Semantic3D、ApolloCar3D、the KITTI Vision Benchmark Suite 。
这些公开的数据集促进了三维点云深度学习的研究，越来越多的方法被提出来解决与点云相关的各种问题，包括三维形状分类、三维目标检测与跟踪、三维点云分割、三维点云配准、六自由度姿态估计和三维重建等。
下图显示了现有的三维点云深度学习方法的分类。

数据集