让每个镜头,都记录精彩11 年前的「阿凡达」让少年的我们第一次戴上 3D 眼镜，声势浩大的瀑布奔流而下，星罗棋布飘浮在空中的群山，无一不体现着对生命的敬意，妥妥的坐稳了 2010 年北美、海外、中国和全球票房 No.1 的宝座，「3D」正式进入了大众的视线。
图片来自网络
11 年过去了，出走半生，我们依旧少年，「阿凡达 2」依旧没有如约上映，但 3D 应用却在此期间得到了蓬勃的发展。
这一方面得益于 3D 传感器技术的飞速发展，用户可以更加便捷地获取到三维图像数据；另一方面随着机器人、无人驾驶、AR&VR 等业务的日趋成熟，需要快速处理和理解海量的 3D 数据，以便精确感知周边物体的空间信息，3D 数据的深度学习需求应运而生。
随着 2020 年中国新基建政策的发布，相信未来 3D 视觉技术将会有更广阔的应用空间。
No.1
3D 深度学习需要什么格式的数据输入呢？
2D 图像可以天然的表示成二维矩阵，但 3D 数据却非常复杂，它有很多种表达形式，如：点云、体积像素、多边形网格和多视图。
在 3D 深度学习领域中，点云数据应用最为广泛。这是因为点云数据非常接近原始的传感器数据，采用这种形式，可以更好的挖掘原始数据中的信息，使用较少的数据即可表征较多的细节的特性。
此外点云的表达形式非常简单，模型训练时，对 GPU 性能没有太高的要求。
但是点云是不规则的数据，在空间中可以任意分布。传统情况下，可以先将点云数据转化成体积像素表示方式，再复用 2D 图像的 CNN 模型，但是代价会非常高。
原因是体积像素在空间中的稀疏性使得 3D CNN 训练对显存要求极高，模型难以收敛。
那么，是否有方法可以直接在点云上数据上实现特征学习呢？
飞桨开源框架 1.7 版本发布了用于 3D 点云分类、分割和检测的 PointNet++ 和 PointRCNN 模型。
支持 ShapeNet，ModelNet，KITTI 等多种点云数据集，在 ModelNet40 数据集上，PointNet++ 分类精度可达 90%，在 KITTI（Car）的 Easy 数据子集上，PointRCNN 检测精度可达 86.66%，持平世界领先水平。
开发者在飞桨框架基础上可快速完成任务，实现工业应用。https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/3d_vision
No.2
PointNet++ 原理和实验表现
PointNet++ 核心是通过多级点集特征学习提取点云数据的特征，然后将提取的特征分别输入到分类和分割网络，进行 3D 数据的图像分类和语义分割，PointNet++ 网络结构下图所示。
①多级点集特征学习（Hierarchical point set feature learning）
集合抽象层是多级点集特征学习的基本模块，由如下三个关键部分组成：采样层： 使用最远点采样（FPS）的方法，从输入点中选择一组点，定义局部区域的中心。分组层： 根据中心点进行分组，将云点数据划分成若干个局部区域。特征提取： 通过 PointNet++ 对各个局部区域进行特征提取，获得局部特征。
通过下面的动态图，可以帮助大家更好的理解多级点集特征学习的实现。
图中将 Paddle 首字母“P”做一个局部坐标，通过 PointNet++ 提取特征，得到一个新的点。重复这个操作，会得到另一个小区域的点。
经过一系列操作之后，会得到一组新的点。这组点在数量上少于输入的点，但每个点都代表了周围区域的几何特征。
②分类任务（Classification）
类似于传统的图像分类，模型将全局特征送入全连接网络中，最终得到预测的类别概率。
③分割任务（Segmentation）
对于语义分割任务，需要从低分辨率特征中上采样还原高分辨率的特征。对于 CNN 模型，一般是使用 2D 图像插值的方式实现。
PointNet++ 模型采用提取最近的 3 个近邻点，并通过这三个点加权平均的方式插值获得上采样点。
此外，PointNet++ 还因其对输入数据顺序置换的不变性、轻量级结构、对数据丢失非常鲁棒等特征，非常适合工业领域应用。
实验结论
PointNet++ 模型测试精度如下：
No.3
PointRCNN 原理和实验表现
3D 目标检测模型 PointRCNN 借鉴了 PointNet++ 和 RCNN 的思想，提出了自底向上的生成和调整候选检测区域的算法，网络结构如下图所示。
PointRCNN 的网络结构分为两个阶段：第一阶段自底向上生成 3D 候选预测框；第二阶段在规范坐标中对候选预测框进行搜索和微调，得到更为精确的预测框作为检测结果。
第一阶段：对 3D 点云数据进行语义分割和前背景划分，生成候选预测框，有如下三个关键部。
①点云特征提取：通过 PointNet++ 对点云数据进行编码和解码，提取点云特征向量。
②前景点分割：根据提取的点云特征向量，使用 focal loss 区分前景点和背景点。focal loss 能有效地平衡前景点和背景点比例失衡问题，从而得到更为准确的分类效果。
③生成候选框：采用候选框箱模型（bin）的方法，将前背景点分割信息生成预测候选框。
举例来说，将候选框定义为参数（x，y，z，h，w，l，θ）表征的空间中的箱体，其中（x，y，z）为箱体中心坐标，（ h，w，l）为箱体在中心坐标方向上的大小，θ 为鸟瞰视角上（y 方向从上往下看）箱体在 x-z 平面的角度。
bin 的执行方式为：先根据前景点的分割信息粗分其所属的箱体；再在箱体内部对其做回归，得到箱体参数作为预测框；最后对预测框做 NMS（Non-Max Suppress，非极大值抑制），得到最终预测候选框。
第二阶段：在规范坐标中微调候选预测框，获得最终的检测结果，有如下五个关键部分。
①区域池化：对候选框内每个点的特征进行池化。
②坐标转化：为了更好地获取局部信息，需要将多个候选区域中的前景点坐标（同一个坐标系）转化为局域坐标系中的规范坐标（以预测框为中心点的多个坐标系），如下图所示。
③特征编码：将规范坐标时丢失的深度信息、规范后的坐标信息、前后背景语义信息等经过多层感知机提取特征，作为每个点的编码特征。
④微调预测框：经过上一步编码后的特征，经 PointNet++ 网络进行特征提取，最后回归得到局部坐标系下的 3D 预测框。
实验结论
目前发布的 KITTI 数据集下 Car 检测精度如下：
以上就是飞桨 1.7 发布的 PointNet++ 和 PointRCNN 模型，基于飞桨框架，开发者可快速实现 ３Ｄ 图像的分类、语义分割和目标检测任务，模型精度持平世界一流水平。
欢迎感兴趣的伙伴在 PaddleCV 的模型库中，获取相关数据集和代码，尝试实现自己的 3D 应用。（3D 模型存在自定义 OP，需要在 GPU+Linux 平台实现）
如果您想详细了解更多飞桨的相关内容，请参阅以下文档。
飞桨开源框架项目地址：GitHub: https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/3d_visionGitee: https://gitee.com/paddlepaddle/Paddlehttps://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/3d_vision