Advancing 3D Point Cloud Understanding through Deep Transfer Learning: A Comprehensive Survey

三维点云（3DPC）在深度学习（DL）的推动下得到了显著发展和益处。然而，后者面临着各种问题，包括缺乏数据或注释数据，训练数据和测试数据之间存在显著差距以及需要高计算资源的要求。为此，深度迁移学习（DTL）被广泛研究，通过利用从源数据/任务中获得的知识来降低依赖性和成本，从而训练目标数据/任务。已经提出了许多用于对齐从同一场景的多次扫描中获得的点云的DTL框架。此外，DA是DTL的一个子集，已经被修改以通过处理噪声和缺失点来增强点云数据的质量。最终，微调和DA方法已经证明了它们在解决点云数据固有的不同困难方面的有效性。本文是第一篇对此方面进行综述的文章，它全面概述了使用DTL和域自适应（DA）理解3DPC的最新技术。因此，首先介绍了DTL的背景以及数据集和评估指标。引入了一个明确定义的分类法，并进行了详细的比较，考虑了不同的知识转移策略和性能等不同方面。本文涵盖了各种应用，例如3DPC物体检测、语义标注、分割、分类、配准、下采样/上采样和去噪。此外，本文讨论了所提出框架的优点和局限性，确定了开放性挑战，并提出了潜在的研究方向。

本文旨在探讨利用深度迁移学习（DTL）和域自适应（DA）来理解三维点云数据时所面临的挑战，并提出解决方案。

本文提出了基于DTL和DA的三维点云数据处理新思路，包括对齐、去噪、分类、分割、识别等多个应用场景，并对相关算法进行了全面的评估和比较。

本文介绍了三维点云数据处理中的DTL和DA技术，并提供了详细的分类和比较。文章涵盖了多个应用场景，使用了多个数据集和评估指标。此外，文章还讨论了算法的优点和局限性，并提出了未来的研究方向。

近年来，涉及三维点云数据处理的相关研究有很多，例如“PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation”和“3DMatch: Learning Local Geometric Descriptors from RGB-D Reconstructions”。