↑ 點(diǎn)擊藍(lán)字?關(guān)注極市平臺
點(diǎn)云的不同結(jié)果。從左到右依次為原始、陰影、有色、體素化、半角化的點(diǎn)云
接觸3D點(diǎn)云以后，我們通常根據(jù)Reality Capture的發(fā)展進(jìn)行相應(yīng)的調(diào)整，以獲得更加清晰的數(shù)據(jù)集。相信很多小伙伴都還記得第一次使用激光掃描儀時(shí)，對于它的運(yùn)行速度和獲取3D點(diǎn)云結(jié)果圖都有著非常深刻的記憶。但我們是如何開展工作的呢？當(dāng)時(shí)，該處理過程由幾個(gè)手動步驟組成，例如過濾、配準(zhǔn)、清理、分割、分類、劃分網(wǎng)格、數(shù)字化…… 某些部分（主要是配準(zhǔn)，過濾和劃分網(wǎng)格）已經(jīng)得到了很好的發(fā)展。但是依舊要為每個(gè)應(yīng)用程序更改數(shù)據(jù)的性質(zhì)（例如，從點(diǎn)云到矢量）？
手動數(shù)字化過程，可在Flyvast在線點(diǎn)云軟件中創(chuàng)建dwg文件有沒有更有效的工作流程？
觀察方式
“當(dāng)我們在熟悉的場景上睜開眼睛時(shí)，我們會對可識別的物體產(chǎn)生直接的印象，這些物體在空間框架中連貫地組織著”。1980年，特賴斯曼用簡單的術(shù)語定義了人類視覺感知背后的復(fù)雜機(jī)制。對于正常人來說，這是我們的認(rèn)知決策系統(tǒng)的主要信息來源。可以通過我們的大腦來擴(kuò)展，可以迅速適應(yīng)新的環(huán)境，并且通過我們的眼睛捕獲的最重要的材料。實(shí)際上，大腦每秒僅接收三個(gè)“圖像”，這些圖像經(jīng)過排序并與先驗(yàn)知識結(jié)合在一起，以創(chuàng)建我們所體驗(yàn)的現(xiàn)實(shí)。
這種機(jī)制異常快捷高效，可以在看到紅燈時(shí)剎車，或者是閱讀本文并理解單詞的含義。我們的視覺可以保證“注意力定向”，即大腦無法充分了解周圍環(huán)境以獲得對場景的全面了解。利用當(dāng)今的計(jì)算能力實(shí)現(xiàn)這樣的過程是可行的。雖然確實(shí)很難模仿這種操作，但是研究我們?nèi)绾闻c環(huán)境交互信息可以更好地把握發(fā)展方向。
比較
首先，它轉(zhuǎn)化為傳感器的使用，該傳感器可以捕獲計(jì)算機(jī)可用的關(guān)鍵輸入。該圖像中的每個(gè)矢量都由傳感器（人工或自然）引導(dǎo)然后，我們針對基于收集的數(shù)據(jù)和可訪問的信息存儲庫的過程，以產(chǎn)生“語義表示”：將概念及其含義整合在一起的場景描述。在這種情況下，空間傳感器扮演著我們的眼睛的角色，以獲取數(shù)字空間資產(chǎn)，并利用現(xiàn)有知識進(jìn)一步完善為語義表示。傳感器扮演我們眼睛的角色，空間框架成為語義表示，并且標(biāo)記場景這種可用性通常是第一個(gè)問題。我們的在線認(rèn)知感知會使用我們的記憶，并且可以在很短的時(shí)間內(nèi)獲取所需的證據(jù)。使用計(jì)算機(jī)來鏡像此階段非常復(fù)雜，并且尋求一種盡可能多才多藝的解決方案是一項(xiàng)重要的挑戰(zhàn)。嘗試虛擬化認(rèn)知決策系統(tǒng)時(shí)的第二個(gè)瓶頸是創(chuàng)建語義表示，如下圖所示。領(lǐng)域知識的收集和附加到底層空間數(shù)據(jù)與巨大的集成和挖掘有關(guān)數(shù)據(jù)類型，源或表示形式的復(fù)雜性有關(guān)。數(shù)據(jù)
主要挑戰(zhàn)圍繞著傳感器收集的數(shù)據(jù)的特異性。當(dāng)不需要深度提示時(shí)，單個(gè)光柵圖像或視頻流非常有用，但是要模擬我們的3D視覺認(rèn)知，則需要更豐富的數(shù)據(jù)基礎(chǔ)?，F(xiàn)實(shí)捕獲設(shè)備允許獲取這樣的詳盡的3D空間信息，主要是作為點(diǎn)云：{X，Y，Z}（+屬性）空間集合，該集合以數(shù)字方式代表傳感器的強(qiáng)度和局限性所記錄的環(huán)境。這些工具和獲取方法的前景已經(jīng)足夠成熟，可以允許從對象范圍到國家范圍的真實(shí)世界的數(shù)字副本，如下所示。
捕獲和組合不同數(shù)據(jù)集的實(shí)時(shí)多尺度點(diǎn)云這些所謂的點(diǎn)云的獲取變得更加容易，快捷，甚至可以通過非常低成本的解決方案進(jìn)行訪問。不幸的是，所有這些硬件演進(jìn)都沒有跟隨其相應(yīng)的軟件演進(jìn)，這受到5 V大數(shù)據(jù)問題的嚴(yán)重影響，如下所示。點(diǎn)云環(huán)境下的大數(shù)據(jù)的五個(gè)V連接大量傳感器/方法可創(chuàng)建異構(gòu)點(diǎn)云數(shù)據(jù)集（變量），并參與海量數(shù)據(jù)存儲庫（卷）的構(gòu)造。反過來，它降低了處理效率（速度），并提出了將大量點(diǎn)數(shù)據(jù)轉(zhuǎn)換為可信賴的（準(zhǔn)確性）和可操作的信息（價(jià)值）的新需求。
可交付成果
在從數(shù)據(jù)收集到可交付的創(chuàng)建的經(jīng)典過程中，點(diǎn)云獲取和處理工作流通常取決于應(yīng)用程序。盡管收集步驟可能特定于手頭的傳感器，但點(diǎn)云即交付的熱潮卻成為許多行業(yè)的實(shí)際選擇。這種面向任務(wù)的場景主要將這些視為空間參考（專家用來創(chuàng)建其他可交付成果），因此是項(xiàng)目與現(xiàn)實(shí)的最緊密聯(lián)系。它帶來了準(zhǔn)確的現(xiàn)實(shí)世界信息，可以基于數(shù)字現(xiàn)實(shí)進(jìn)行決策，而不是解釋性信息或最新信息。如今，“大腦”已經(jīng)成為桌子后面的專家，它將處理點(diǎn)云以提取可交付成果此外，在特定于應(yīng)用的交付物中轉(zhuǎn)換點(diǎn)云的過程在時(shí)間/人工干預(yù)上非常昂貴。對于人類的專業(yè)知識來說，要充分地處理大量復(fù)雜的信息變得越來越復(fù)雜，這些信息通常在一個(gè)項(xiàng)目的不同參與者/支持者之間相互矛盾。因此，對于可持續(xù)系統(tǒng)而言，關(guān)鍵點(diǎn)是將大的點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為更有效的流程，從而開啟有助于決策和信息提取的新一代服務(wù)。“我們需要找到大規(guī)模自動化和結(jié)構(gòu)化的方法，以避免特定于任務(wù)的手動處理和不可持續(xù)的協(xié)作?！?/span>
協(xié)同合作
作為人類，我們在大規(guī)模合作中collaboration壯成長。我們最大的成就通常是建立在信息，服務(wù)等的有效交換上。點(diǎn)云通常非常大，具體取決于收集了多少數(shù)據(jù)（通常在千兆字節(jié)（如果不是TB）的范圍內(nèi)），并且通常注定要存檔，以作為創(chuàng)建新型數(shù)據(jù)和產(chǎn)品的可重用支持。這可能導(dǎo)致指數(shù)存儲需求陷入僵局，輸出之間不兼容，信息丟失以及復(fù)雜的協(xié)作。這些實(shí)踐還表明，沒有試圖概括框架的嘗試，而框架反過來又可以作為進(jìn)一步互操作性和概括的共同基礎(chǔ)。這種缺乏會適得其反，并可能導(dǎo)致參與者之間數(shù)據(jù)混亂的重新分配，并使對每個(gè)獨(dú)立針對某個(gè)應(yīng)用程序的幾個(gè)外包服務(wù)的依賴性惡化。這強(qiáng)調(diào)了研究互操作方案的強(qiáng)烈需求，在該方案中，來自不同域的許多用戶可以使用一個(gè)點(diǎn)云，每個(gè)用戶都有不同的需求。反過來，這將在獲取級別引入新的約束，以定義與推理引擎一起使用所需的3D表示的窮舉性。當(dāng)然，這為互連流程以及確保與不同源，卷和其他數(shù)據(jù)驅(qū)動參數(shù)的兼容性帶來了其他挑戰(zhàn)。
自動化
在此連續(xù)過程中，反思將從以人為中心的過程轉(zhuǎn)向以自主工作流為導(dǎo)向的研究，以開發(fā)自動化和AI來加速推理過程。這對于在需要識別對象的3D捕獲工作流中開發(fā)點(diǎn)云至關(guān)重要。機(jī)器人研究在提供自主3D記錄系統(tǒng)方面取得了飛躍，我們無需人工干預(yù)即可在其中獲得環(huán)境的3D點(diǎn)云。當(dāng)然，遵循這種想法發(fā)展自主勘測意味著需要將數(shù)據(jù)用于決策。沒有上下文的收集的點(diǎn)云不允許做出有效的決策，并且需要專家的知識來提取必要的信息并為決策提供可行的數(shù)據(jù)支持。為完全自主的認(rèn)知決策系統(tǒng)自動化此過程非常誘人，但提出了許多挑戰(zhàn)，這些挑戰(zhàn)主要與點(diǎn)云的知識提取，知識集成和知識表示有關(guān)。因此，必須專門設(shè)計(jì)點(diǎn)云結(jié)構(gòu)，以允許計(jì)算機(jī)將其用作信息提取的基礎(chǔ)。AI驅(qū)動的自動對象以無人監(jiān)督的方式識別的結(jié)果，每種顏色代表自動識別的不同類別結(jié)果
所以是的，點(diǎn)云很大。是的，我們需要特定的“技巧”來存儲和處理它們，但幾十年前的視頻也是如此！這對您的特定行業(yè)意味著什么？您將很快可以使用3D捕獲環(huán)境的“大腦表示”，以便您根據(jù)自己的意愿進(jìn)行查詢。但是，當(dāng)然，3D傳感器的廣闊前景使識別過程成為廣闊的研究探索領(lǐng)域！
發(fā)展方向
這些想法基于屢獲殊榮的論文“智能點(diǎn)云” [1]，其中包含有關(guān)解決這些問題的有效解決方案的更多技術(shù)細(xì)節(jié)。但是，當(dāng)然，正如長期研究工作經(jīng)常出現(xiàn)的情況一樣，一開始就會遇到很多問題。[1] Poux, F., 2019. The Smart Point Cloud: Structuring 3D intelligent point data. Liège, Committee:?R. Billen, F. Remondino, P. Van Oosteroom, Y. Cornet, P. Hallot, P.?Grussenmeyer.?
https://orbi.uliege.be/handle/2268/235520
推薦閱讀
?ACCV 2020國際細(xì)粒度網(wǎng)絡(luò)圖像識別競賽正式開賽！
添加極市小助手微信（ID : cvmart2），備注：姓名-學(xué)校/公司-研究方向-城市（如：小極-北大-目標(biāo)檢測-深圳），即可申請加入極市目標(biāo)檢測/圖像分割/工業(yè)檢測/人臉/醫(yī)學(xué)影像/3D/SLAM/自動駕駛/超分辨率/姿態(tài)估計(jì)/ReID/GAN/圖像增強(qiáng)/OCR/視頻理解等技術(shù)交流群：每月大咖直播分享、真實(shí)項(xiàng)目需求對接、求職內(nèi)推、算法競賽、干貨資訊匯總、與?10000+來自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動交流~
覺得有用麻煩給個(gè)在看啦~??
