基于深度学习的3D形状分类研究综述.docVIP

基于深度学习的3D形状分类研究综述

一、3D形状分类的研究背景与意义

三维数据作为现实世界信息的核心载体，相较于二维图像具备更丰富的几何结构、空间位置与纹理属性，能够完整复刻真实场景中物体的三维形态特征。随着3D传感技术的快速迭代，LiDAR激光雷达、结构光摄像头、RGB-D深度相机等设备的采集成本持续下降，三维数据的获取效率与精度得到显著提升，在自动驾驶、智慧医疗、工业质检、元宇宙等多个领域形成了大规模的应用需求。其中3D形状分类作为三维视觉领域的基础任务，核心目标是通过算法自动识别3D物体的类别归属，是三维目标检测、三维分割、三维场景重建等高层任务的前置支撑技术，其识别精度直接决定了后续复杂三维任务的性能上限。

在深度学习技术普及之前，传统3D形状分类方法主要依赖人工设计的特征描述子，例如点云特征中的自旋图像、形状上下文描述子，网格特征中的曲率特征、测地线距离特征等，这类方法需要研究者具备深厚的几何理论基础，且特征泛化能力极弱，在面对遮挡、噪声、视角变化等复杂场景时分类准确率通常不足60%，难以满足实际应用需求。2015年PointNet模型的提出标志着3D形状分类正式进入深度学习时代，该模型首次实现了直接对无序点云数据进行端到端特征提取，在ModelNet40数据集上的分类准确率突破了89%，相较于传统方法实现了性能跃升。此后十年间，深度学习技术与3D形状表征的融合不断深入，