本篇文章主要记录看论文过程中的一些点云目标检测、分割的框架，只有3D部分。

参考论文：

Linking Points With Labels in 3D: A Review of

Point Cloud Semantic Segmentation

1 点云分割技术

点云分割类型包括点云分割（Point Cloud Segmentation, PCS）和点云语义分割（Point Cloud Semantic Segmentation, PCSS）。点云语义分割是将每个点云点都预测出语义标签，而点云分割的细粒度没有语义分割这么细。因此点云分割可以作为点云语义分割的一个预分割。

PCS：基于边缘（Edge-based）


由于目标的形状是由边缘描述的，因此基于边缘的点云分割关键在于找出那些边缘变化剧烈的点，这些点构成了目标的边缘。

PCS：基于区域增长（Region growing）


区域增长方法使用特定的标准将两个点云/区域结合起来，测量像素、点或体素之间的相似性，最后合并在空间上接近、表面属性相似的部分。

PCS：模型拟合（Model fitting）


模型拟合的核心概念年是，使用简单几何形状来适配点云中的形状，因此模型拟合方法也被称作形状检测或形状提取。然后当使用集合形状模型来处理场景时，模型拟合也可以看作一种分割方法。

大多数模型拟合方法主要基于两个经典算法：霍夫变换（Hough Transform, HT）和随机抽样一致（Random Sample Consensus, RANSAC）。

霍夫变换是图像处理中的一种技术，最先在2D图像直线检测中提出。霍夫变换主要分为三步：1）映射原始空间中的每个样本到离散化的参数空间 2）在参数空间中设定一个累加器数组，并对映射到参数空间中的成员进行基础几何元素投票 3）选择局部最高分数的累加器，其对应的参数即代表一个原始空间中的集合分割。

随机抽样一致技术主要包括两个阶段：1）从随机样本中生成假设，生成假设需要手动定义或筛选 2）在数据中验证（假设估计/模型确认）。

PCS：非监督聚类（Unsupervised clustering）


非监督聚类方法在PCS中是一种广泛常见的方法。严格说PCS中基于聚类方法并不是一种特定的数学理论，它是各种不同方法的混合。聚类将有相似几何特征、空间特征、空间分布的点组织形成统一的模式。聚类中广泛使用的算法包括：

• K-means聚类
• Fuzzy聚类
• Mean-shift聚类
• Graph聚类
• 超分割、超级体素、预分割

2 点云语义分割技术

常规监督机器学习

深度学习

• 基于多视角
• 基于体素方法
• 基于原始点云

混合方法

语义部分没细看，基本三大块就是记录中的三部分。细节见论文链接。