点云数据处理，困难重重，放弃之前，一定要看这篇文章！

三维点云是最重要的三维数据表达方式之一，三维重建、机器人感知、SLAM等领域，点云都逐渐成为更普遍的表达方式。

相较于二维图像，点云有其不可替代的优势——深度，三维点云提供了三维空间的数据。从无人驾驶中的激光雷达到微软的Kinect、iPhone FaceID以及各种各样的AR/VR等应用，都需要基于点云的数据处理，比如物体检测、人脸识别、人体姿态估算等。

01

点云学习，困难重重

然而，由于点云天然具有的非规则的数据形式，为点云处理中的特征提取带来了诸多困难，导致三维点云的处理非常的不易。越来越多的三维点云的学习者向我们倾诉：

• 在国内做点云方面，除了PCL教程，很难再找到合适的教程、资料、参考文献；

• 点云相关论坛的交流，越来越不活跃，甚至停了更新；

• 相关QQ群内的交流，能够回答帮助解决问题的群友很少，大都也是自学、咨询，很多问题也是没办法解决；

• 自己找资料、改代码，一遍遍反复的尝试，费时费力不说，但是很多问题还是无法解决，没有办法，只能搁置，等以后再想办法……

但是，很多问题不是等一等就能够解决的。一而再、再而三，学习的进程是在向前，但是横在我们面前的问题也越积越多，剩下的问题似乎都是难以解决的了…… 但是，当我们等到了可以解决的那一天，或许其他的伙伴已经把我们遗忘在了他们前进的道路上，我们看到的终究是“大佬”，“可望而不可及”！

没有系统的书籍资料、没有清晰的学习路线、更没有可以带着我们前进的“引路人”，慢慢地，我们面临着一个抉择：“是放弃坚持了许久的方向，还是继续挪动着步伐艰难前行呢？”

现在，作为点云处理学习者，不用再担心没有系统的学习资料、没有可以解答疑问的“引路人”，因为业内首门【三维点云处理】课程发布了！

02

业内首门系统课程，助力点云学习

专注于人工智能在线教育的深蓝学院，特别邀请了新加坡国立大学博士、自动驾驶研究科学家黎嘉信，历时半年时间，精研打磨，推出业内首门【三维点云处理】课程。

这门课程将帮助学员系统学习三维点云主流研究方向的算法，包括经典算法（如Octree、PointNet，ICP等），同时也涉猎最前沿的深度学习方法（物体检测、点云配准、特征提取等），全面理解各种算法的优势及局限，提升编程实现能力。

03

实力讲师，课程保障

黎嘉信

自动驾驶研究科学家

新加坡国立大学（NUS）博士

博士期间，师从电子与计算机系Ben M. Chen教授及计算机系Lee Gim Hee教授，主要研究领域为计算机视觉、深度学习、机器人。在CVPR 2018, ICCV 2019, ICRA 2019, IROS 2017的顶级会议上以第一作者发表论文多篇。在2017, 2015年国际微小型无人机大赛中获得冠军、亚军。

04

优质服务，保驾护航！

1. 作业迭代，夯实所学，精益求精！

每一次课，讲师都精心安排了课程作业，学习过程中需要及时提交作业，并根据讲师或者助教的批改反馈，对作业进行修改迭代，掌握所学内容，精益求精，提升能力！

>>左右滑动，查看更多，点击查看大图<<

作业批改实例

2. 答疑解惑，问题解决有依靠！

课程会建立微信答疑群，安排讲师、助教（每位学员都有专属助教哟~）进行学习过程中的答疑解惑，随时可以与讲师、助教联系，解决你学习中遇到的问题！

>>左右滑动，查看更多，点击查看大图<<

社群答疑实例

3. 全程陪伴，你的学习之路不孤单！

什么时候交作业？优秀学员怎么评？你是不是还没有完成作业……  班主任带班，全程陪同，跟踪学习进度，督促学习，解决更多问题！

4. 班会之中，总结分析，收获更多！

定期举办班会，作业应该怎么做？大家更多遇到什么问题？哪里是大家容易掉进的坑…… 一期期班会、一次次总结！在班会中，学习更多技巧，收获更多！

>>左右滑动，查看更多，点击查看大图<<

05

课程大纲，一览学习计划

向上滑动阅览

第一章 课程大纲及基础点云算法

  1.1 课程大纲

  1.2 基础知识

  1.3 平滑，去噪，法向量估计

  1.4 降采样

第二章 最邻近查找

  2.1 暴力查找

  2.2 KD-Tree

  2.3 Octree

第三章 聚类算法

  3.1 Mean Shift

  3.2 K-Means

  3.3 自组织映射 Self-Organizing Map (SOM)

  3.4 谱聚类 Spectral Clustering

  3.5 Density-Based Spatial Clustering of Applications with Noise (DBSCAN)

  3.6 Agglomerative Hierarchical Clustering

  3.7 Expectation–Maximization (EM) Clustering using Gaussian Mixture Models (GMM)

第四章 模型拟合

  4.1 霍夫变换

  4.2 采样一致性

第五章 点云深度学习 - 分类与分割

  5.1 深度学习概览

  5.2 PointNet和PointNet++

  5.3 图神经网络  Graph Convolutional Network (GCN)

  5.4 最新进展

第六章 目标检测

  6.1 图像目标检测概览

  6.2 点云目标检测

    6.2.1 VoxelNet

    6.2.2 PointPillars

    6.2.3 Frustum PointNet

    6.2.4 PointPainting

    6.2.5 PointRCNN

第七章 特征点提取及描述

  7.1 特征点提取

  7.2 特征点描述

第八章 ICP及点云配准

  8.1 Iterative Closest Point

  8.2 全局优化ICP

  8.3 深度学习ICP

第九章 2D/3D点云SLAM

  9.1 蒙特卡洛定位 MCL

  9.2 FastSLAM 1.0&2.0

  9.3 基于优化的SLAM

  9.4 LOAM

06

咨询报名，抢占特惠名额

微信添加深蓝学院-新月，咨询更多，优惠报名！

备注“CVlife”，优先通过哟~

前200位学员报名优惠100元

仅剩最后14个优惠名额啦！