学妹问我：3D点云该怎么入门？-技术圈

前段时间，实验室Boss接了一个三维点云的项目，直接丢给了刚进实验室的研一学妹。实验室之前主要是做医学图像和工业检测的，从没涉及过3D数据。整个实验室目前只有她在做这个方向，Boss对这个领域的了解也不够深入，还需要年底做出成绩。

这几天学妹和我说，她很无助，也很焦虑。只能网上找资料，一通找，结果发现是个坑，这才问我，咋样才能快速整明白，出成果。

我说，找几篇有影响力的三维点云的综述论文（引用量大于100的）研究一下，沿着发展脉络，可以快速上手。

她说，不行啊，三维点云坑太大，网上没有啥好的资料，而且论文中的算法非常复杂，基础内容没有搞懂，没法上手。包括：

· 点云目前的主要存储格式都有pts、LAS、PCD、.xyz和.pcap 等多种；

· PCL、VCG、Open3D这些基础算法库如何操作点云，以及如何实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、可视化等操作；

· 进一步的，用深度学习如何做三维点云，分类、分割、目标检测，等等。

……

我哑然一笑，感叹学妹不容易。看在她这几天请我吃饭的份上，我联系上一位新加坡国立大学的博士大佬，给她总结了一份三维点云的学习路径。

这不，刚把资料给学妹一个月，她的学习不再慌张。

那么问题来了，新加坡国立大学的大佬到底给了啥资料？

深度学习当道，传统方法是否依然重要？

我们看看最新的三维点云综述，有个直观的感觉，就是当下主流是Deep Learning-based 的方法。但是这并不意味着，传统方法不再重要了。

恰恰相反，实际应用场景中，传统方法作为可解释的方法，担负着效果兜底的艰巨使命。毕竟，深度学习需要大量的数据，训练数据集中无法覆盖实际场景中的所有情形，因此当出现训练数据中没有的场景时，深度学习的效果往往也会比较差。

这里传统算法包括：

· 最近邻算法----基于二叉搜索树、KD-树和OCtree；

· 聚类算法----K-means、GMM和谱聚类；

· 模型滤波----meanshift、dbscan鲁棒最小二乘、霍夫变化和RANSAC；

· 常见任务----SVM，机器学习等。

基于深度学习的三维点云方法梳理

这个学习路径不是我给出的，是新加坡国立大学的博士大佬给出的。

这里给出一些目前的三维点云方向的算法总结:

好家伙，这么一堆算法和论文，光是看就得几个月，何况还要搞懂和研究创新点。

所以，博士大佬给出了一个明确的学习路径：

1. 首先从深度学习展开，包括经典的PointNet和PointNet++算法，以及GCN算法，这三个基础算法吃透完全可以入门深度学习三维点云处理；

2. 接着，就是三维点云的目标识别，包括了基本的RCNN，FastRCNN，FasterRCNN，SSD算法，以及VoxelNet，PointPillars，还有PointRCNN这一三维点云识别经典方法，当然还有点云和图像融合的方法：Frustum PointNet，PointPainting；

3. 其次，3D特征检测，大佬推荐了ISS、USIP和SO-net算法；

4. 再其次，3D特征描述，推荐的算法有：PPFNet和PPF-FoldNet，当然很多基础的匹配内容也有，包含：3DMatch和Perfect Match；

5. ……

学妹有了这份资料，信心倍增，但是也有一些新问题，她说基础不扎实，看paper以及开源代码效率比较低，要是能有人将这些内容整理成教学视频就好了。并且，教学视频最好能提炼各个方法的核心思想，这样能节省很多看paper的时间。

我吐了一口老血，学妹要求是越来越高!!!

这不，博士大佬刚好有时间了，他出了一期三维点云处理的详细教程，就在深蓝学院，从基础到深入，从理论到代码，从实践到Project项目，手把手教你入门三维点云，赶紧关注一波!!!

优惠名额仅剩38人

扫码备注【实用】

抢占优惠名额啦~

大咖介绍

黎嘉信

自动驾驶研究科学家，新加坡国立大学博士

博士期间，师从电子与计算机系Ben M.Chen 教授及计算机系Lee Gim Hee教授，主要研究领域为计算机视觉、深度学习、机器人、无人驾驶。在C出票人2018，ICCV 2019，ICAR 2019,IROS 2017的顶级会议上以第一作者发表多篇论文。

学完课程你能收获

1.深入理解各个经典点云算法，涉猎前沿的感知方向的深度学习算法

2.了解在实际应用场景中各种算法的优势与局限，配有实践项目，学练结合

3.答疑群超多大佬，结实有学问、有经验的同行

课程大纲

优惠名额仅剩38人

扫码备注【实用】

抢占优惠名额啦~