1. 毕业设计（论文）主要内容：

三维点云数据的采集不受光照影响，规避了二维图像遇到的光照、姿态等问题，因此基于点云数据的三维物体识别逐渐引起了人们的重视，特别是在智能家居领域。由于点云形式不规则，大多数研究将此类数据转换为常规3D体素网格或集合的图像。这种方法保留了点的空间位置信息，但是点云数据量巨大和3D-CNN的固有计算量较高，导致该方法开销很大。在保证计算效率的同时，往往需要降低分辨率，从而造成了精度损失。因此，本课题研究直接使用无序点集作为输入的深度学习方法，采用卷积神经网络，提取点云数据中与点序列无关的信息，以这种对于顺序不敏感的特征进行匹配，实现室内家居物体识别，同时保证识别的准确率。

2. 毕业设计（论文）主要任务及要求

1. 通过阅读文献，了解利用三维点云进行物体识别的过程。研究现有的识别方法，同时分析比较当前技术识别率与识别速度，以及其适用范围，重点研究直接处理点云的基于深度卷积神经网络的三维点云物体识别技术。

2. 了解直接处理点云的深度学习框架，包括pointNet，pointNet 等，在已有的深度学习框架上进行改进，尽可能提高识别准确率。

3. 毕业设计（论文）完成任务的计划与安排

技能要求：

1. 熟悉c/c 、python等编程语言；

2. 熟练掌握深度学习框架pytorch或者tensorflow；

4. 主要参考文献

[1] i.armeni, o. sener, a. r. zamir, h. jiang, i. brilakis, m. fischer, and s.savarese. 3d semantic parsing of large-scale indoor spaces. in proceedings ofthe ieee international conference on computer vision and pattern recognition,2016. 6, 7 [2] guo b, huang x, zhang f, et al. classification of airborne laserscanning data using jointboost[j]. isprs journal of photogrammetry amp; remotesensing, 2015, 100:71-83.

[3] wuz, song s, khosla a, et al. 3d shapenets: a deep representation for volumetricshapes[c]// ieee conference on computer vision and pattern recognition. ieee,2014:1912-1920.

[4]maturana d, scherer s. voxnet: a 3d convolutional neural network for real-timeobject recognition[c]// ieee/rsj international conference on intelligent robotsand systems. ieee, 2015:922-928.