张 溯，杨 军

1(兰州交通大学 自动化与电气工程学院，兰州 730070) 2(兰州交通大学 电子与信息工程学院，兰州 730070)

1 引 言

近年来，随着Kinect、RealSense和Tango等小型三维传感器的出现，降低了人们获取三维模型的门槛，对日益增长的三维模型数据进行高效地分析和处理成为计算机视觉领域的研究热点.在深度学习领域中，VGGNet[1]、GoogleNet[2]、ResNet[3]等网络及其衍生网络[4-7]的不断提出，使卷积神经网络(Convolutional Neural Network，CNN)在解决二维图像的分类识别、语义分割等问题时取得了显著的成效，研究者开始关注如何将CNN在二维图像上的研究成果应用到三维模型的分析与处理上，如三维目标的检测与识别、协同一致分割等.

三维点云模型因具有良好的形状表达能力，在机器人、自动驾驶、场景重建等领域有着广泛的应用.已有的研究大多采用多视图[8-10]或体素化[11-15]的方法处理点云数据，并将其输入到卷积神经网络中进行分析，然而，经过多视图投影处理的模型数据会在一定程度上丢失原模型的空间结构信息，而经过体素化处理的点云数据，分辨率明显降低，直接影响模型的分析处理结果，于是研究者开始尝试直接将点云数据输入到卷积神经网络中进行分析.利用深度学习网络直接处理点云数据面临着3方面挑战：1)点云模型由三维空间中的点组成，在几何结构上具有无序性，而卷积操作对于输入数据的顺序比较敏感；2)当点云模型经过刚性变换后，如平移或旋转，点的三维坐标会发生改变，这要求卷积网络要对刚性变换的模型具有不变性；……