使用卷積神經網絡（CNN）架構的深度學習（DL）現在是解決圖像分類任務的標準解決方法。但是將此用于處理3D數據時，問題變得更加復雜。首先，可以使用各種結構來表示3D數據，所述結構包括：

1 體素網格
2 點云
3 多視圖
4 深度圖

對于多視圖和深度圖的情況，該問題被轉換為在多個圖像上使用2D CNN解決。通過簡單定義3D卷積核，可以將2D CNN的擴展用于3D Voxel網格。但是，對于3D點云的情況，目前還不清楚如何應用DL工具。但是之前也已經有幾種解決辦法了，具體可以參看 http://www.cnblogs.com/li-yao7758258/p/8182846.html 的總結

以及最近山東大學研究者們提出的PointCNN，對于pointCNN 這篇論文是一種為基于點云的特征學習提出了一種簡單且通用的框架。CNN成功的關鍵是要能利用數據中以網格形式密集表示的空間上的局部相關性（比如圖像）。但是，點云是不規則和無序的，因此在這些點關聯的特征上直接求核的卷積會導致形狀信息的丟失，同時還會因順序不同而不同。為了解決這些問題，提出了根據輸入點學習一種X變換，然后將其用于同時加權與點關聯的輸入特征和將它們重新排列成潛在隱含的規范順序，之后再在元素上應用求積和求和運算。我們提出的方法是典型CNN向基于點云的特征學習的泛化，因此將其稱為PointCNN。實驗表明，PointCNN能在多種有挑戰性的基準數據集和任務上實現與之前最佳方法媲美或更好的表現。

總結

以上是生活随笔為你收集整理的3D点云的深度学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。