三维点云处理技术和深度学习在点云处理中的应用（带全套课程资料）
《三维点云处理技术和深度学习在点云处理中的应用（带全套课程资料）》系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大
这门课到底在讲什么
点云处理是一个典型的「数学 + 工程 + 深度学习」三重交叉方向：它既需要对三维几何有直觉，又要在实际传感器数据上做工程取舍，还要跟上前沿网络结构的变化。这份资料的定位很清楚——以自动驾驶场景下的激光雷达点云为主线，把传统几何处理和基于深度学习的点云任务串成一条线，而不是把点云当成一个纯理论的数学分支来讲。
对开发者来说，它的价值不在于听一遍概念，而在于你能拿到一套可以对照复现的工程参考：从点云的数据组织形式、坐标变换、滤波与配准，到检测、分割、配准这些深度学习任务的网络设计与训练细节，都有相对完整的落脚点。
技术栈与知识结构
资料覆盖的内容大致可以分成三层。底层是几何与数据结构：点云的无序性、稀疏性、旋转不变性这些固有特点，直接决定了后续所有算法的设计思路；KD-Tree、Octree、体素栅格等空间索引结构，是理解后续加速策略的前提。中层是传统处理方法：滤波、下采样、特征描述、配准（ICP 及其变体）、聚类分割，这部分在真实工程里并没有被深度学习完全取代，很多预处理和配准环节仍在使用。上层是深度学习部分：以 PointNet / PointNet++ 为起点，延伸到基于体素、基于投影、基于图以及 Transformer 结构的方法，并对应到分类、部件分割、语义分割、三维目标检测等具体任务。
这三层不是并列关系。自动驾驶点云处理的很多工程难点，恰恰出现在「深度学习模型跑得动，但前处理配准没做对」或者「坐标系没统一」这类地方，所以把底层和中层吃透，再去看上层网络，理解成本会低很多。
适合拿来对照实践的模块
- 数据表示与坐标系：激光雷达坐标系、车辆坐标系、相机坐标系之间的转换，是后面所有任务的公共基础，值得单独整理成一份笔记。
- 空间索引与近邻搜索：KD-Tree / Octree 的实现和复杂度分析，是点云工程里复用率最高的部分之一。
- 配准流程：从粗配准到精配准的完整链路，包括特征匹配与 ICP 的工程实现细节。
- 点云深度学习主干：PointNet 系列的对称函数设计、层次化采样与局部特征聚合，是理解后续几乎所有点云网络的基础。
- 自动驾驶相关任务：三维目标检测、语义分割、地面分割等，涉及数据集组织、标注格式、评价指标和训练调参。
这些模块有一个共同点：它们都可以脱离课程视频单独被抽出来，作为你自己项目里的组件去实现或改造。资料的配套内容更适合当作「对照物」——先自己写一版，遇到卡点再回头查对应章节的实现思路，比顺序刷视频的收益更大。
怎么用这份资料
建议把它当成一本可以跳读的参考手册，而不是线性播放的视频课。比较务实的方式是：先用一两个公开点云数据集（如 KITTI、nuScenes 的点云部分）把数据加载、坐标系转换、可视化和下采样跑通，形成一条最小可用的处理流水线；再逐段补上配准、分割、检测，每补一段就往流水线里加一个环节。这样每一步都有可运行的验证，而不是学完一章却不知道用在哪里。
对于深度学习部分，重点放在网络结构为什么这样设计、输入输出张量的形状怎么流转、损失函数如何对应任务目标上。点云网络的代码量通常不大，难点在于对几何语义的理解，把这几处想清楚，自己动手复现或改结构就不会太吃力。
最后提醒一句：点云方向的知识更新较快，资料里的具体网络版本可能不是最新的，但底层的几何处理、坐标系、数据结构这些内容相对稳定。把稳定的部分打牢，再去看新论文，迁移成本会低得多。
系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势
课程推荐
《三维点云处理技术和深度学习在点云处理中的应用（带全套课程资料）》系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（72 节）
* │ │ 1-1课程概述.mp4
* │ │ 1-2激光雷达原理.mp4
* │ │ 1-3激光雷达安装、标定与同步.mp4
* │ │ 1-4激光雷达数据采集.mp4
* │ │ 1-5常用编程基础.mp4
* │ │ 2-1三维表征的获取方式和原理.mp4
* │ │ 2-2三维信息的表征形式.mp4
* │ │ 2-3点云的基本特征及描述.mp4
* │ │ 作业2-bev.mp4
* │ 3.1-欧式坐标系.mp4
* │ 3.2-刚体运动坐标转换1.mp4
* │ 3.3-刚体运动坐标转换2.mp4
* │ 3.4-三维空间变换.mp4
* │ │ 4.1-Point Cloud Library.mp4
* │ │ 4.2-点云滤波方法.mp4
* │ │ 4.3-点云**形式与最近邻搜索.mp4
* │ │ 4.4-点云分割拟合聚类方法 .mp4
* │ │ 4.5-演示1：点云滤波方法.mp4
* │ │ 4.6-演示2：点云**形式与最近邻搜索.mp4
* │ │ 4.7-演示3：segmentation代码和聚类 拟合.mp4
* │ 5-5 SLAM图优化基础 .mp4
* │ 5.1-点云配准方法（上）.mp4
* │ 5.2-点云配准方法（下）.mp4
* │ 5.3-SLAM基础框架.mp4
* │ 5.4-帧间匹配与激光里程计.mp4
* │ 5.5-SLAM图优化基础.mp4
* │ 6.1-点云关键点检测.mp4
* │ 6.2-点云常用特征描述（上）.mp4
* │ 6.3-点云常用特征描述（下）.mp4
* │ 7-1 深度学习介绍 .mp4
* │ 7-2 一种简单的人工神经网络 .mp4
* │ 7-3 深度学习网络结构(上）.mp4
* │ 7-4 深度学习网络结构(下）.mp4
* │ 7-5 深度学习网络训练优化 .mp4
* │ 7-6 点云处理的深度学习介绍 .mp4
* │ 8-1 点云分类网络设计基础（上） .mp4
* │ 8-2 点云分类网络设计基础（下） .mp4
* │ 8-3 Pointwise MLP：PointNet，PointNet++（上）.mp4
* │ 8-4 Pointwise MLP：PointNet，PointNet++（下）.mp4
* 9-1 点云分割网络设计基础.mp4
* 9-2 Graph-based_KCNet.mp4
* 9-3 Graph-based_DGCNN.mp4
* 9-4 Data Indexing-based_SO-Net.mp4
* 9-5 Convolution-based：pointCNN .mp4
* 9-6 Convolution-based：KPConv.mp4
* │ 10-1 点云注册网络设计基础（上）.mp4
* │ 10-2 点云注册网络设计基础（下）.mp4
* │ 10-3 Metric based：3DMatch .mp4
* │ 10-4 Metric based：3DFeatNet .mp4
* │ 10-5 Regression based：Deep Closest Point.mp4
* │ 11-1 点云重识别和重定位方法.mp4
* │ 11-2 Point-to-Point：Flownet3D .mp4
* │ 11-3 Frame-to-Frame：Deep Closest Point.mp4
* │ 11-4 Frame-to-Frame：DeepVCP.mp4
* │ 11-5 Frame-to-Map：L3-Net .mp4
* │ 12-1 Point cloud Object Detection（上）.mp4
* │ 12-2 Point cloud Object Detection（下）.mp4
* │ 12-3 3D Datasets .mp4
* │ 12-4 深度学习点云物体识别任务指标.mp4
* │ 12-5 点云物体识别网络梳理（上） .mp4
* │ 12-6 点云物体识别网络梳理（下） .mp4
* │ 13-1 点云图像融合物体识别基础（上）.mp4
* │ 13-2 点云图像融合物体识别基础（下）.mp4
* │ 13-3 视觉物体识别网络梳理.mp4
* │ 13-4 RCNN family：RCNN，Fast RCNN，Faster RCNN.mp4
* │ 13-5 RCNN family：Mask RCNN.mp4
* │ 13-6 YOLO family：YOLO，YOLOv2，YOLOv3.mp4
* │ 13-7 点云物体识别网络梳理.mp4
* │ 14-1 深度学习与激光SLAM的结合点.mp4
* │ 14-2 Deep Lidar Odometry（上）.mp4
* │ 14-3 Deep Lidar Odometry（下）.mp4
* │ 14-4 Deep Lidar Loop Closure Detection.mp4
配套笔记（42 份 PDF）
* │ │ 【三维点云第1章】概述.pdf
* │ │ 【三维点云第1章】课件.pdf
* │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf
* │ │ 【三维点云第2章】课件.pdf
* │ │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf
* │ │ 作业3-Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf
* │ │ 作业4-Joint 3D Proposal Generation and Object Detection from View Aggregation - 2017 - Ku et al.pdf
* │ │ 作业4-Multi-View 3D Object Detection Network for Autonomous Driving - 2016 - Chen et al.pdf
* │ A Survey on Implicit Surface Polygonization.pdf
* │ CS6320-3DCV-S2013-stereo-rectification.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-I.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-II-animated.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-II.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-stereo.pdf
* │ CS6320-CV-S2012-Ch2-Camera-Calibration.pdf
* │ CS6320-S2013 - MVG - MP.pdf
* │ Evaluation of depth-camera-systems for usage in semi-controlled assembly environments.pdf
* │ Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf
* │ pcaLectureShort_6pp.pdf
* │ Point Cloud Classification.pdf
* │ TOF.pdf
* │ 【三维点云第3章】作业.pdf
* │ 【三维点云第3章】课件.pdf
* │ │ 【三维点云第4章】作业.pdf
* │ │ 【三维点云第4章】课件.pdf
* │ Fast segmentation of 3D point clouds A paradigm on LiDAR data for autonomous vehicle applications.pdf
* │ 基于激光雷达的运动补偿方法_庞正雅.pdf
* │ 【三维点云第5章】课件.pdf
* │ 【三维点云第6章】作业.pdf
* │ 【三维点云第6章】课件.pdf
* │ 【三维点云第7章】作业.pdf
* │ 【三维点云第7章】课件.pdf
* │ 【三维点云第8章】作业.pdf
* │ 【三维点云第8章】课件.pdf
* 【三维点云第9章】作业.pdf
* 【三维点云第9章】课件.pdf
* │ 【三维点云第10章】课件.pdf
* │ 【三维点云第11章】作业.pdf
* │ 【三维点云第11章】课件.pdf
* │ 【三维点云第12章】课件.pdf
* │ 【三维点云第13章】课件.pdf
* │ 【三维点云第14章】课件.pdf
![[衡天云]爆款云服务器 低至12元/月](/hty.png)