1. 研究目的与意义（文献综述）

随着激光雷达和深度摄像头的发展，点云数据的获取变得更加简单，对点云数据的处理也越来越受关注，例如点云的分割可以用在无人驾驶汽车和医学图像处理等领域，因而设计出有效的点云分割算法具有重要的实际意义。

虽然自从深度学习提出以后，其在图像处理和自然语言处理等方面取得了巨大的成功。

但是由于点云数据的特性，例如点的位置不固定而难以直接运用卷积操作，且对点云的处理方法需要具备点云的排列不变型，即对于不同顺序的点云表示的是同一物体，故如何将深度神经网络运用于三维的点云数据上则依然是一个难题。

2. 研究的基本内容与方案

设计主要内容和目标
（1）对基于深度学习的三维点云语义分割问题进行研究
（2）研究基于深度学习的点云分割分类方法，并在现有算法的基础上设计出改进的点云语义分割算法
（3）设计深度神经网络，编写程序实现所设计的算法，并验证其可行性
采用的技术方案
（1）为提高程序可扩展性和减少出错的可能，使用现有的神经网络框架，例如tensorflow，caffe，pytorch等实现点云分割的深度神经网络。由于框架集成了很多基础的网络层，且能根据网络结构自动实现反向传播训练网络，提高了构建网络的效率。
（2）由于点云数据量较大且深度神经网络结构复杂，通过GPU训练神经网络，提高训练速度，从而使得训练更加复杂的网络成为可能
（3）通过公开的点云数据集，例如斯坦福室内三维数据集来比较不同算法的效果，能够在更加多样的数据上更加真实的反应分割算法的性能，而大量的数据也有利于深度神经网络的训练，同时也省去了收集数据的工作

3. 研究计划与安排

（1）1-2周：阅读必读参考文献，提出设计方案并撰写开题报告

（2）3-4周：查阅其他相关文献，对现有的基于深度学习的三维点云分割分类方法进行研究

（3）5-6周：实现已有的点云分割分类算法，并分析比较各算法优缺点

4. 参考文献（12篇以上）

[1] grilli e,menna f, remondino f. a review of point clouds segmentation and classificationalgorithms[j]. isprs - international archives of the photogrammetry, remotesensing and spatial information sciences, 2017, xlii-2/w3:339-344.

[2] roynard x, deschaud j e, goulette f. paris-lille-3d: a large andhigh-quality ground truth urban point cloud dataset for automatic segmentationand classification[j]. international journal of robotics research,2017(185):027836491876750.

[3] charles r q , su h, kaichun m , et al. pointnet: deep learning on point sets for 3dclassification and segmentation[c]// 2017 ieee conference on computer visionand pattern recognition (cvpr). ieee computer society, 2017.