深度学习在点云识别中的应用,深蓝学院,本课程分为两个部分介绍了深度学习在点云识别中的应用 Part 1 深度学习在图像识别中成效显著，然而如何进行拓展以识别不规则的3D点云，仍然是一个开放性的问题，近两年3D点云识别发展迅速，研究方法上，对称函数聚合到局部模式挖掘，再到几何图建模以及卷积核设计，该领域呈现出百家争鸣的状态。本次分享将简要综述并介绍我们的一些探索性研究。 Part 2 数据是人工智能应用中最关键的部分。相对于人工收集和标记，数据增广（Data Augmentation，DA）是一种有效的数据扩充方法。现有的点云分类网络使用的数据增广方式主要是直接对现有的数据进行随机的仿射变换。然而，这种简单的随机方式将DA和分类网络训练分成了两个独立的过程，而且这些变换是直接应用在所有的训练样本上，并未考虑样本本身独有的特性，这种DA并不能充分发挥现有网络的优势。这次报告主要介绍我们的CVPR 2020 Oral 的工作PointAugment-首个针对点云数据的自动增广方法。我们提出将数据增广过程和网络训练进行共同优化，并搭建了一个数据增广的网络来动态调整数据增广的样本。实验结果显示，通过使用我们提出的PointAugment，现有的分类网络均取得了大幅度的性能提升。 适用人群：1、学习三维视觉、感知方向的同学 2、从事机器人、三维视觉领域工作的工程师 3、三维点云方向的科研人员