点云手工特征到深度学习的过渡

3D 视觉的相关task

随着低成本，小型化三维传感器的普及，并且三维数据可以更好的感知和理解周围环境，因此，基于三维数据的一些应用领域，例如：机器人，AR/VR，人机交互，自动驾驶等都具有越来越广阔的发展前景。

三维数据的处理方法较二维要复杂很多，其中一个重要的原因是因为三维数据本身的特性造成，三维数据有很多种变现形式，包括点云，三角网格，体素，多视角，深度图等等。其中深度图通常由于其只能表示物体在单个视角下的距离信息因此被称为2.5D数据。

利用三维数据可以完成点云配准，三维模型重建，三维模型识别，三维目标检测，三维模型生成，场景语义分割等视觉任务。

点云的特征描述子局限性（传统三维点云的特征提取方法）

从上世纪90年代开始。三维形状形状特征提取算法经历了20余年的发展，逐渐从手工特征提取过渡到深度学习。首先，传统的三维形状理解一般依靠规则，根据固定模式，借助具体特征，但是随着三维数据种类和数量的增多，这类理解方案边的低效和不准确。其次，手工特征通常通过提取三维形状几何属性的空间分布或者直方图统计等方法得到典型代表如Spin Image、FPFH、Heat Kernel Signature (HKS)、MeshHOG、RoPS等[1]。但是这一类的方法依赖于专业领域知识，不能够获得适用于某一特定任务的最优的三维形状特征描述，这一情况也造成对认为定义特征的依赖导致已有方案在大数据面前捉襟见肘。

而随着深度学习尤其卷积神经网络在各个领域的卓越表现，三维深度学习的研究在近三年取得了较大进展。在multi-view、volumetric、pointcloud、mesh等数据形式都有相应优秀的算法结构。深度学习在特征提取、鲁棒性、准确率等方面展现出较大优势(下一篇：三维深度学习研究进展)。

 

参考文献

[1]. Y. Guo, M. Bennamoun, F. Sohel, M. Lu, J. Wan. 3D object recognition in cluttered scenes with local surface features: a survey IEEE PAMI, 36: 2270-2287, 2014