目录

前言

国内外研究现状

 卷积神经网络

三维卷积神经网络

稀疏卷积[21]

基于3D点云数据的目标分类任务

基于Transformer[12]的点云特征提取

神经网络归一化策略

基于3D点云的语义分割任务[45]

基于3D点云的实例分割任务

基于3D点云的目标检测任务[73], [74]

2 相关理论和方法

2.1 引言

2.2 卷积和注意力机制

2.2.1 卷积

2.2.2 注意力机制

2.3 点云

3 基于密度表征的点云特征提取探究

 3.1 研究方法

3.1.1 点云和体素之间的区别

3.1.2 基于密度的3D卷积

3.1.4 基于密度特征表示的重采样方法

---

本文篇幅较长，分为上下两篇，下篇详见基于卷积和注意力机制的3D点云特征提取（续）

前言

自从AlexNet[1]在图像分类方面取得了巨大的进展后，几乎全面超越了计算 机视觉中所有领域的传统方法，因此人们提出了广泛的研究，卷积神经网络也在 图像领域不断的得到改善，达到了如今的普及程度。虽然深度学习的深层次的原 理尚不明确，但由于所提出的模型相比于传统方法具有突出的性能，因此得到了 有效的应用。在图像处理领域，卷积是二维特征提取的主要和主导技术。虽然已 经提出了其他有效的操作，但它们可以被视为卷积的扩展[2]。迄今为止，已经提 出了各种性能较强的网络，卷积是这些模型中不可替代的基本单元。由于卷积运 算可以有效地从图像中提取特征，因此卷积神经网络(Convolutional Neural  Networks, CNNs)的结构作为特征提取的骨干模块，可以在目标检测、图像分割、 视频理解等领域做出显著贡献。然而，当卷积应用于处理图像以外的其他数据形 式时，其性能可能会受到限制。
随着技术的快速发展，3D传感器越来越容易获