在实际工程中，我们通常可以用不同的方式获取真实世界物体在计算机里的三维数据，比如Mesh、Volumetric以及R-GBD等，都能够帮助我们获取物体的三维信息。
但无论是LiDAR、结构光还是TOF等深度传感器，都是直接获取点云信息，同时还可以把GBD信息同步到点云数据中去，使得物体的三维信息和颜色信息都能够表示出来。因此随着深度传感器的普及，深度学习在点云上的应用也更为广泛。在计算机视觉、自动驾驶、机器人等领域受到越来越多的关注。
提到点云深度学习就离不开PointNet和PointNet++等经典的点云算法，PointNet中常用的有两种操作：1x1 convolution 和Max-pooling，然而只有这两种操作实际上对3D识别来讲是远远不够的。受到CNN的启发，紧接着同一批作者发表了PointNet++，它能够在不同尺度提取局部特征，通过多层网络结构得到深层特征。
点云与深度学习结合的应用范围广泛，但是对于其的应用仍然离不开点云的经典算法。尤其是在经典算法上再进行前沿的突破，也是研究者们一直聚焦的点。
可三维点云的学习确实费劲。初学者可能在网上看两篇经验就想放弃学习。原因之一是三维点云涉猎的知识极为广泛，包括三维重建、状态估计、机器学习、编码能力等等；其次，3D点云本身相比于二维图像多了一个维度，分布不规则等缺陷，也为大家进行点云处理带来了诸多困难；同时，现在网上三维点云的相关资料极为零散，等到自己把资料凑成体系，头发也差不多掉光了。
基于此，深蓝学院开设了《三维点云处理》课程，详细讲解经典的点云算法，比如Octree、GMM、Spectral Clusting、Point Net++、ICP、NDT等，并且配有实践项目，让大家在真实的数据集上实现、应用这些算法。
同时，还会涉猎前沿的感知方向的深度学习算法，了解实际应用中各种算法的优势与局限，以及如何修改算法应对长尾/边缘问题。
黎嘉信
高仙机器人深度学习总监、新加坡研发中心总监。2014年清华大学本科毕业，2018年新加坡国立大学博士毕业，师从陈本美教授和Lee Gim Hee教授。此前历任Motional感知科学家和夜间驾驶负责人、字节跳动AI Lab视觉科学家。以第一作者发表多篇计算机视觉/机器人顶级会议论文，包括CVPR、ICCV、ICRA、IROS等。
扫码添加课程小助手
备注【前沿】，才会通过好友哦
激光雷达数据在Global Mapper中提取三维建筑矢量（教程可下载）
