[TPAMI论文阅读]Deep Learning for 3D Point Clouds: A Survey (IEEE TPAMI, 2020) Cited by 1518

Guo, Y., Wang, H., Hu, Q., Liu, H., Liu, L., & Bennamoun, M. (2021). Deep Learning for 3D Point Clouds: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(12), 4338–4364. https://doi.org/10.1109/TPAMI.2020.3005434

摘要：
点云学习近年来受到越来越多关注，因其在计算机视觉、自动驾驶和机器人等多个领域的广泛应用。作为人工智能中的主导技术，深度学习已成功应用于解决各种二维视觉问题。然而，由于深度神经网络处理点云面临的独特挑战，点云上的深度学习仍处于起步阶段。近期，点云上的深度学习甚至呈现蓬勃发展的趋势，涌现出许多方法来解决该领域中的不同问题。为了激发未来的研究，本文全面回顾了点云深度学习方法的最新进展。它涵盖了三个主要任务，包括3D形状分类、3D物体检测和跟踪，以及3D点云分割。文章还在几个公开可用的数据集上呈现了比较结果，同时提供了深刻的观察和启发性的未来研究方向。

图1 3D点云深度学习方法的分类体系

表1 数据集


图2 基于深度学习的3D形状分类方法的时序概述

图3 PointNet的轻量级架构。其中，n表示输入点的数量，M表示每个点学到的特征的维度。

图4 对点的局部邻域进行连续和离散卷积的示意图。 (a) 表示以点p为中心的局部邻域qi； (b) 和 © 分别表示3D连续和离散卷积。

图5 基于图的网络的示意图。
图6 3D物体检测的示意图。其中，(a) 和 (b) 分别源自 [124] 和 [125]。

图7 基于深度学习的3D物体检测方法的时序概述。

图8 三类基于区域提议的3D物体检测方法的典型网络。从上到下分别是：(a) 基于多视图的方法，(b) 基于分割的方法，以及 © 基于截锥体的方法。

图9 两个KITTI点云之间的3D场景流，最初在[175]中展示。点云X、Y和X的平移点云分别用红色、绿色和蓝色突出显示。

图10 基于深度学习的3D语义分割方法的时序概述。

图11 中间表示的示意图。其中，(a) 和 (b) 分别源自 [182] 和 [183]。

图12：基于点的方法的示意图。其中，(a)-(d) 分别源自[54]、[201]、[202]、[203]。

图13：基于深度学习的3D实例分割方法的时序概述。