点云理解的数据表征学习

随着技术的快速发展，3D 数据的获取与应用在计算机视觉、机器人人工智能和地理空间分析等多个领域日益普及。3D 数据通过 3D 扫描仪、LiDAR 和 RGB-D 相机等方法捕获，提供了丰富的几何、形状和尺度信息。当与 2D 图像组合时，3D 数据为机器人提供了对环境的全面理解，惠及自动驾驶、机器人、遥感和医疗等应用。本论文聚焦于三个主要领域：点云原始块分割的监督式数据表征学习、自监督学习方法以及 2D 到 3D 的迁移学习。我们的方法通过整合预训练的 2D 模型来支持 3D 网络训练，显著提升了 3D 理解能力，而不仅仅是变换 2D 数据。广泛的实验验证了我们方法的有效性，展示了其在有效整合 2D 知识方面推动点云数据表征学习潜力的可能性。