从去年到现在，我（小白）已经接触点云将近半年的时间了，因为上半年大部分时间在上课，所以对点云的认识不足，在此，我以一个小白的身份，向大家叙述一下自己对点云分割的理解，借助一篇综述的论文，论文网址为：https://arxiv.org/abs/1912.12033
首先点云是非常重要的数据类型，但是由于它的不规则性和稀疏性，所以很多学者都研究一些体素或者图像网格作为研究的标准，但是我最近看的文章都是直接以点为输入的，就是这部分的优点就是计算量相对于体素的比较小，但是精度的话可能稍微低一点。
对于研究点云分割的算法，因为有很多，所以如果你想研究某一个方向的话，就可以从它们一些专门的网络框架中进行学习，在这里总结一下2020年还有之前的一些顶刊会议的网络结构。
对于逐点MLP的方法来说的话，建议初学者小白先去看，因为PointNet是比较基础的网络框架，它的网络框架解决了点云无序性的问题，并且框架通俗易懂，建议刚开始接触点云分割的小伙伴去先看这个，但是它的缺点就是没有提取邻域的信息，简单说就是没有考虑到紧邻点的位置关系，之后可以看一下PointNet++，它在上面的基础上添加了集合抽象层的结构，用于提取局部特征。如果想针对大场景点云算法的话，可以看一下RandLA-Net，是2020年的一篇挺高质量的论文，这篇论文中心思想就是局部特征融合模块+随机采样（LFA+RS），因为它输入的点云都是百万级别的，所以他采取了随机采样的方法，并且LFA模块能将丢失的点的信息聚合，这篇文章的性价比很高。下面是RandLA-Net采样的时间对比。
针对点卷积的文章而言，因为卷积对于图像中分类和分割任务都具有比较良好的作用，所以很多研究者都把它应用到了三维空间上，但是直接做三维卷积是不可能的，因为点云在三维空间中是无序的，所以很多人想办法解决这类问题，基本都是利用的FPS采样，这样可以使用少的点保存比较完整的点云结构，像PointConv使用的是逆密度系数去加权特征的矩阵卷积方式，PointCNN是利用MLP学习邻域点位置关系去卷积邻域和局部特征的方式，KPConv是学习一个Kernel，在空间中利用距离激活权重的方式，去卷积邻域内的点云，并且开发出了可变形的KPConv版本（其实就是学习内核点的偏移量），其实这些点卷积的方法都是很类似的，基本就是更改卷积的方式和如何去学习点云的无序性问题，基本网络结构很像图像分割的U-Net，先去下采样聚合特征，降低尺度，然后上采样还原点云，融合上下文信息，达到分割的效果，目前我再看一些图卷积和体素的文章，观察之间的区别，上面是自己对点云分割的一些理解，如有不对，请多多指正！！！
