3D点云学习（ Point Clouds）作为近年来的研究热点之一，受到了广泛关注，每年在各大会议上都有大量的相关文章发表。当前，点云上的深度学习变得越来越流行，人们提出了许多方法来解决这一领域的不同问题。国防科技大学郭裕兰老师课题组新出的这篇论文对近几年点云深度学习方法进行了全面综述，是第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，并对点云深度学习的机制和策略进行全面的归纳和解读，帮助读者更好地了解当前的研究现状和思路。也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，最后也介绍了未来的研究方向。

题目：Deep Learning for 3D Point Clouds: A Survey

作者：Yulan Guo, Hanyun Wang, Qingyong Hu, Hao Liu, Li Liu, and Mohammed Bennamoun

论文链接：https://arxiv.org/abs/1912.12033

摘要

点云学习近年来受到越来越多的关注，因为它在许多领域都有广泛的应用，比如计算机视觉、自动驾驶和机器人技术。作为人工智能的主要技术之一，深度学习已经成功地用于解决各种二维视觉问题。然而，由于使用深度神经网络处理点云所面临的独特挑战，对点云的深度学习仍处于起步阶段。最近，点云上的深度学习变得越来越流行，人们提出了许多方法来解决这一领域的不同问题。为了激发未来的研究，本文对点云深度学习方法的最新进展进行了综述。它涵盖了三个主要任务，包括三维形状分类，三维目标检测和跟踪以及三维点云分割。我们还提供了一些可公开获得的数据集的比较结果，以及有见地的观察和启发性的未来研究方向。

这篇论文是第一个专门针对点云的深度学习方法的综述。此外，论文全面涵盖了分类，检测，跟踪和分割等不同应用。上图显示了三维点云的现有深度学习方法的分类。

主要贡献可以概括如下：

  • 1）据我们所知，这是第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。

  • 2）相对于已有的综述[11]，[12]，我们特别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。

  • 3）本文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。

  • 4）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。

本文的结构如下。第2节回顾了三维形状分类的方法。第3节概述了现有的三维目标检测和跟踪方法。第4节介绍了点云分割的方法，包括语义分割、实例分割和部件分割。最后，第5节总结了论文。

论文还在以下网址上提供了定期更新的项目页面：

https://github.com/QingyongHu/SoTA-Point-Cloud

内容中包含的图片若涉及版权问题，请及时与我们联系删除