点云数据

3d点云数据由来

3d点云 3D Point Cloud是一种用于表示三维空间中对象或场景的数据结构。在最基础的形式中，它是一个包含多个三维坐标点（X, Y, Z）的集合。这些点是通过对实际物体或场景表面进行离散采样而获得的，因此，点云可以被视为场景表面在给定坐标系下的离散表示。

一般通过激光雷达数据的扫描来获取点云的信息，在工业设计中有很好的应用，能够更好更为直观的描述整个信息。

3d点云数据的作用

• 点云分割
  
• 点云补全
  • 整体来说类似GAN和Unet种感觉（编码解码网络）

• 点云生成

• 3d目标检测

  • 其实传统图像中能做的都可以在点云中实现
    

• 点云配准：

  • 医学与地图构建中经常会使用到，可以当做是怎么项目的基础支撑

以往的由于技术的限制，往往从多个角度拍摄，然后合成，形成3维数据，现在可以通过LiDAR、Depth Sensor等来获取3D点云数据。

PointNet则是使用深度学习卷积的方法来对三维离散空间中的点进行特征提取，随后并对三维带你进行分类或者部件分割和场景分割，分类是在整个部件的程度上，分割是在一个部件上对于多个进行分割是之后需要学习的基础。

3d点云数据集

用于3d目标跟踪和检测的点云数据集。

用于3d点云分割的数据集。

点云数据存在的问题

1. 通过激光雷达扫描的数据拥有近密远疏的特征。

2. 是非结构化数据。没有顺序和其他的一些特征。从而导致了置换不变性的发生

交互一些数据点云本身不会发生改变，而点云对应的矩阵信息会发生意义上的变换。

点云处理简介

Deep learning directly on raw point cloud Point-based Methods

是深度点云处理的开山之作。

PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

包括了两个最常用的算法

• PointNet
• PointNet++

第二种包括了基于卷积的一些方法信息。Convolution-based Methods

第三种包括了通过图构造的方法来处理点云之间的关系信息。

• 构造关系
• 学习特征提取加池化

等等一些点云处理的方向。

之后在根据研究的需要，具体描述PointNet和PointNet++两个点云处理算法