本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向,重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。
May, 2024
该论文介绍了点云的获取、特点和挑战,回顾了点云分类的 3D 数据表示、存储格式和常用数据集,总结了基于深度学习的点云分类方法,并对最新研究进展进行了补充,对主要方法的性能进行了比较和分析,并讨论了点云分类面临的一些挑战和未来方向。
Nov, 2023
本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果,并提出了可启发未来研究的深刻见解和方向。
Dec, 2019
该论文系统地回顾了现有的深度学习体系结构在 LiDAR 点云中的应用,包括用于自动驾驶的特定任务如分割、检测和分类,并总结了近五年来超过 140 个重要贡献,包括 3D 深度架构、3D 语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终,我们总结了剩余的挑战和未来研究方向。
May, 2020
该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用,并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。
Jun, 2024
该论文全面介绍了不同的三维数据表示法之间的差异,以及如何在这些不同表示法上应用深度学习方法,同时分析了相应需要克服的挑战。
Aug, 2018
本文综述了现有的三维点云分析技术及其算法、应用场景和目标,介绍了使用的数据集和评估指标,并比较了现有解决方案的性能,最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。
Jun, 2023
本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法,将点云数据投影到 2D 平面,避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制,并在 Semantic3D 数据集上达到了相对增益 7.9%的最新最佳结果。
May, 2017
自动驾驶中的目标检测和跟踪是重要且基础的任务,旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展,以帮助更好地了解该领域的现状。
综述了近期基于深度学习的三维物体分割,涵盖了 150 多篇文章,总结了最常用的算法流程、讨论了它们的优缺点,并分析了这些分割方法的竞争结果,最后提出了未来的研究方向。
Mar, 2021