7位领域大佬，带你解读三维点云的前沿应用

三维点云是最重要的三维数据表达方式之一，在三维重建、语义与实例分割、三维物体检测等方面，点云都是最常用的表达方式。但是三维点云是如何应用到其他前沿技术中的呢？

今天为大家分享5次三维点云系列免费公开课，希望通过大佬们的分享能引发大家一些思考，并对今后的研究有所帮助和启发。

1. 3D物体检测的发展与未来

祁芮中台 (Charles Qi)

Waymo高级研究科学家，斯坦福大学博士

3D深度学习以及物体检测算PointNet,PointNet++提出者

3D物体检测在增强现实、机器人与自动驾驶中都有着普遍的应用。随着业界需求的增加与深度学习的出现，相关的算法在近几年有了长足的进步。

本次公开课将从技术发展的角度，介绍几种经典的3D物体检测算法以及它们之间的联系，并延伸讨论目前方法的局限性和未来的研究方向。

通过这节课，同学们将能对3D物体检测算法有一个全局的认识，并且能了解潜在的研究机会。

2. 深度学习在点云识别中的应用

刘永成

助理研究员

以第一作者在CVPR,ICCV,ACM MM等顶会上表4篇论文，2篇入选Oral，1篇提名CVPR BestPaper

李瑞辉

香港中文大学计算机系博士

以第一作者在ICCV和CVPR国际会议上发表论文2篇，1篇入选Oral

深度学习在图像识别中成效显著，然而如何进行拓展以识别不规则的3D点云，仍然是一个开放性的问题。近两年3D点云识别发展迅速，研究方法上，从对称函数聚合到局部模式挖掘，再到几何图建模以及卷积核设计，该领域呈现出百家争鸣的状态。本次分享将简要综述并介绍我们的一些探索性研究。

数据是人工智能应用中最关键的部分。相对于人工收集和标记，数据增广(Data Augmentation，DA)是一种有效的数据扩充的方法。现有的点云分类网络使用的数据增广方式主要是直接对现有的数据进行随机的仿射变换。

然而，这种简单的随机方式将DA和分类网络训练分成了两个独立的过程，而且这些变换是直接应用在所有的训练样本上，并未考虑样本本身独有的特性，这种DA并不能充分发挥现有网络的优势。

这次报告主要介绍的是我们团队CVPR 2020 Oral的工作PointAugment-首个针对点云数据的自动增广方法。我们提出将数据增广过程和网络训练进行共同优化，并搭建了一个数据增广的网络来动态调整数据增广的样本。实验结果显示通过使用我们提出的PointAugment，现有的分类网络均取得了大幅度的性能提升。

3. 基于三维点云场景的语义及实例分割

杨波

香港理工大学助理教授

在CVPR,NeurIPS,TPAMI,IJCV等顶会发表多篇论文

胡庆拥

牛津大学计算机系博士，国防科技大学硕士

在CVPR,TPAMI,IJCV等顶会发表多篇论文

Point cloud learning has lately attracted increasing attention due to its wide applications in many areas, such as autonomous driving, virtual reality, and robotics. In this tutorial, we will first give a brief introduction to the task of point cloud segmentation, as well as several milestones works in this area. Then, we will focus on two recent works from our group, including RandLA-Net, which is an efficient and lightweight neural architecture to directly infer per-point semantics for large-scale point clouds, and 3D-BoNet, which is a novel, conceptually simple and general framework for instance segmentation on 3D point clouds.

4. 基于点云场景的三维物体检测算法及应用

史少帅

香港中文大学多媒体实验室博士

在CVPR,ECCV,ICLR等顶会上发表多篇论文

3D object detection has been receiving increasing attention from both industry and academia thanks to its wide applications in various fields such as autonomous driving and robotics. In this tutorial we will first introduce the basic concepts of 3D object detection from point clouds, and then we will focus on three recent works to learn various deep learning methods about point-cloud-based 3D object detection.  

5. 点云上的卷积神经网络及其部分应用

李伏欣

美国俄勒冈州立大学助理教授，中科院自动化研究所工学博士

2009-2012年在图像物体识别界最重要的PASCALVOC竞赛的分割项目上连续四年获得冠军

Convolutional Neural Networks (CNNs) have led to a revolution in the recognition of raster images. However, many data, especially 3D data, come naturally in the form of point clouds where raster-based convolution operations are not readily available to be used. In this tutorial we will discuss several recent work that make it possible to build a convolutional network or similar operations on point clouds.

点云领域权威专家的重磅分享已经准备好了，点击下方~赶快来参与分享吧！

https://www.shenlanxueyuan.com/page/87