点云深度学习方法

目录

1.数据特征

1）xyz位置坐标形成的空间结构

2）反射强度

2.数据挑战

1）不规则性

2）非结构性

3）不完整性

3.点云深度学习方法

PART1  -- 间接方法 

1）基于体素

2）基于投影(包括多视图)

PART2  -- 直接方法 

邻域搜索

边卷积(EdgeConv)公式

1）PointNet And PointNet++

2）基于图的方法

这篇博客是对点云深度学习方法的一个简单总结，之后会继续修改，欢迎指正。

参考博客：

基于点云的深度学习方法综述_视觉先锋的博客-CSDN博客_点云深度学习方法【图卷积做点云分割】简述对AGNet的理解_YXLiu_XMYang_PCSS的博客-CSDN博客_图卷积点云

1.数据特征

1）xyz位置坐标形成的空间结构

2）反射强度

按照强度的灰白颜色渲染：

2.数据挑战

1）不规则性

由于设备和使用方式等的不同，采集到的点云密度不相同，一个点云中的不同区域也不相同。

2）非结构性

点云不同于图像数据，图像数据按照栅格矩阵排列，是结构化的数值。而点云作为空间中离散的点，没有固定的结构用来计算，同时采集点云过程中可能产生一些随机的噪声点，必须通过某种手段去除这些噪点。

3）不完整性

由于物体遮挡，采集到的点云可能不完整。天气也会对点云产生影响，雨雾天气对lidar采集点云数据产生的影响较大。

3.点云深度学习方法

PART1  -- 间接方法 

将非结构化的点云通过某种方式变成结构化的数据，接着就可以使用传统图像领域积累的大量方法进行学习。

1）基于体素

首先对点云建立体素，以体素近似代表点云形成结构化的数据，然后对结构化的三维数据应用3D卷积，3D-GAN等常见的深度学习方法。