姓名：周可儿 学号：22021211973 学院：电子工程学院
【嵌牛导读】从对于点云数据的处理方式，可以将点云分类方法分为基于体素的方法、基于多视图的方法以及基于点云的方法三类。接下来对着三类方法进行简要的介绍。
【嵌牛鼻子】点云 分类网络 体素 多视图
【嵌牛提问】点云研究现状是什么样的？
【嵌牛正文】
目前，点云已经成为地形测绘、计算机视觉、深度学习等多个领域的主要数据形式之一，大量的研究工作围绕着点云分类展开，基于点云分类方法也不断被提出。从对于点云数据的处理方式，可以将点云分类方法分为基于体素的方法、基于多视图的方法以及基于点云的方法三类。接下来对着三类方法进行简要的介绍。
1.2.1基于体素的点云分类方法
体素(Voxel)，是体积像素(Volume Pixel)的简称。其概念上类似二维空间的最小单位——像素，体素用来表示三维空间中数字数据的最小单位。如同像素，体素本身并不包含空间中的位置信息，但是由于体素以规则的方式排布，因此可以获得体素之间的相对位置信息。
基于体素的点云分类方法的主要思想是将点云数据划分成若干个小的体素，再使用分类算法对体素化的形状进行分类，如决策树、支持向量机或神经网络等。基于体素的点云分类方法在2015年由Maturana等[4]提出，他们的解决方案是利用体素化编码多分辨率网络VoxNet将点云数据转换为三维网格，即转换为体素表示，然后使用CNN进行处理，即进行卷积、池化和全连接操作，这使得VoxNet能够利用CNN的强大特征提取能力。然而由于点云的稀疏性，将点云转换为体积表示可能会导致数据量不必要的增大，3DCNN的处理速度会降低，若妥协到较低的分辨率减小数据量，则会带来量化误差的代价。为解决点云稀疏性带来的数据量过大的问题，2016年，Li等[5]为提出了FPNN，该网络将三维空间表示为体积场，同时考虑探测点的权重与位置对稀疏的点云进行采样，通过3D体素CNN网络提取特征实现分类。FPNN的计算成本与分辨率无关，因此一定程度上缓解了点云稀疏性所带来的问题，但对于更大型的点云数据，仍存在计算量大的问题。
1.2.2基于多视图的点云分类方法
基于多视图的点云分类方法的基本思想是，通过从不同视角捕捉点云数据，并利用这些不同视角下的点云数据分别进行分类再整合结果，从而提高分类的准确性。基于多视图的点云分类方法最初由Su[6]等在2015年提出，该方法使用多个视角下的图像表示点云，并提出一种基于二维图像卷积的深度网络MVCNN，该网络对每一幅视角图各自独立地利用卷积提取特征，再通过多视图的最大池化聚合得到三维点云全局特征。基于多视图的点云分类方法本质是对点云数据进行了降维处理，这类方法有许多优点，例如可以利用成熟的图像卷积网络提高分类的准确度，可以更好地处理点云数据的不规则性等，但是多视角图像的采集过程非常繁琐，而且不可避免地会产生投影误差，丢失了点云的空间信息。
1.2.3基于点的点云分类方法
基于点的分类方法即直接将点云数据作为分类器的输入，而不进行额外的数据转换，这样的方法可以直接避免点云稀疏性所带来的数据量过大的问题。2017年Qi等[2]首先提出基于点的分类网络PointNet，该网络针对点云无序性、变换不变性的特点设计了网络结构。PointNet利用对称函数解决了无序输入的问题，又通过联合对齐网络将输入点云和提取特征分别对齐，解决了点云具有变换不变性的问题。PointNet的基本原理是先利用多层感知机对点云进逐点的特征提取，后通过最大池化层整合全局特征，通过多层感知机获得分类结果。该网络仅使用多层感知机和池化层，却获得了可以与卷积神经网络相较的结果，为后续点云的分类工作提供了解决思路。但PointNet不能捕捉点与点的局部结构，无法学习到邻域特征。
2017年Qi等[3]又提出了PointNet的改进网络——多层级神经网络PointNet++，以解决PointNet不能学习领域特征的问题。PointNet++的基本原理与卷积神经网络类似，它利用空间的距离度量将点云划分出多个局部区域，在此基础上，先在小范围中从几何结构中提取局部特征，然后扩大范围，在这些局部特征的基础上提取更高层次的特征，直到提取到整个点云数据的全局特征。PointNet++以及其他的基于领域信息池化的点云分类方法虽然在一定程度上解决了点云局部特征的缺失问题，但它们在划分的局部区域里仍采用逐点的特征提取，忽略了邻域内部点与点的相关性，并且划分邻域的方法复杂度高，导致分类网络的运行效率低。
在2018年后，基于点卷积的点云分类网络A-CNN[7]、PointConv[8]等陆续被提出。基于点卷积的点云分类方法通过对点云中的每个点周围的点进行卷积运算，并将结果聚合到一起，以提取局部特征。但是点卷积方法受点云密度、卷积核大小等因素影响较大，且计算复杂度较高，因此效率较低。
