用于 3D 传感数据分类的深度学习技术综述
计算机视觉与模式识别
2019-07-11 v1
摘要
过去十年间，深度学习推动了 2D 图像理解的进展。尽管取得这些进步，用于点云等 3D 传感数据自动理解的技术相对不成熟。然而，从室内机器人导航到国家级遥感等一系列重要应用，对能够学习自动理解与分类 3D 传感数据的算法需求巨大。本文综述当前处理非结构化欧几里得数据的深度学习架构最新进展。我们首先阐述背景概念与传统方法。我们综述当前主要方法，包括 RGB-D、多视图、体素及全端到端架构设计。每类的数据集均被记录与说明。最后，我们利用文献论证未来 3D 传感数据深度学习最具价值的研究方向，并给出详细讨论。
引用
@article{arxiv.1907.04444,
title = {A review on deep learning techniques for 3D sensed data classification},
author = {David Griffiths and Jan Boehm},
journal= {arXiv preprint arXiv:1907.04444},
year = {2019}
}
备注
25 pages, 9 figures. Review paper