使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)的深度學(xué)習(xí)（DL）現(xiàn)在是解決圖像分類任務(wù)的標(biāo)準(zhǔn)解決方法。但是將此用于處理3D數(shù)據(jù)時，問題變得更加復(fù)雜。首先，可以使用各種結(jié)構(gòu)來表示3D數(shù)據(jù)，所述結(jié)構(gòu)包括：

1 體素網(wǎng)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(zhuǎn)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(kuò)展用于3D Voxel網(wǎng)格。但是，對于3D點云的情況，目前還不清楚如何應(yīng)用DL工具。但是之前也已經(jīng)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(jié)

以及最近山東大學(xué)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(xué)習(xí)提出了一種簡單且通用的框架。CNN成功的關(guān)鍵是要能利用數(shù)據(jù)中以網(wǎng)格形式密集表示的空間上的局部相關(guān)性（比如圖像）。但是，點云是不規(guī)則和無序的，因此在這些點關(guān)聯(lián)的特征上直接求核的卷積會導(dǎo)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(jù)輸入點學(xué)習(xí)一種X變換，然后將其用于同時加權(quán)與點關(guān)聯(lián)的輸入特征和將它們重新排列成潛在隱含的規(guī)范順序，之后再在元素上應(yīng)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(xué)習(xí)的泛化，因此將其稱為PointCNN。實驗表明，PointCNN能在多種有挑戰(zhàn)性的基準(zhǔn)數(shù)據(jù)集和任務(wù)上實現(xiàn)與之前最佳方法媲美或更好的表現(xiàn)。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。