卢维欣：百度自动驾驶技术部资深研发工程师，主要研究方向点云基础策略算法研究。
报告题目：DeepVCP：端到端的点云配准网络
报告摘要：点云配准技术是三维视觉领域的一项基础技术，其目标是将不同视点采集的点云数据通过计算其相对位姿的方式拼接到一起。随着激光雷达在机器人，无人车的领域的推广应用，点云配准技术作为高精地图，高精定位等方向的核心模块越来越受到重视。然而与传统场景相比，自动驾驶场景下，点云配准技术不仅要面临更差的初值（GNSS信号不佳），还需要应对动态地物的干扰，这些问题都对点云配准技术提出了新的挑战。为解决上述问题，提出一种基于深度学习技术的端到端的点云拼接网络DeepVCP，不同于传统方法中仅使用几何特征，DeepVCP在拼接过程中引入了语义特征自动筛选关键点，此外，不同于传统方法中查找几何特征最相似的点作为同名点，DeepVCP仅评估几何特征之间的相似度，并根据相似度生成匹配概率，最后根据匹配概率生成同名点，最后算法仅依赖少量的稳定关键点进行匹配达到了和ICP家族使用全帧点云匹配相等的精度，这提升了匹配的稳定性。
Spotlight：
首个端到端的高精度点云配准网络，达到了和传统state-of-art方法同等的精度；
提出的Corresponding Point Generation Layer和Loss函数对后续配准网络设计具有启发意义；
与传统方向相比，对大误差拥有更好的鲁棒性。
1. PointNet:Deep Learning on Point Sets for 3D Classification and Segmentation
推荐理由：这篇文章首次提出了直接作用于无序，无规则点云的深度学习网络，极具启发意义，其核心思想在于使用单一参数的MLP对每个点提取特征，再使用MaxPooling这种对称操作融合单点特征。
2. 3DFeat-Net:Weakly Supervised Local 3D Features for Point Cloud Registration
推荐理由：这篇文章使用深度学习特征取代传统的手工几何特征完成了点云拼接工作，不仅如此，该方法中通过对拼接关键点之间最小特征距离的判断实现了弱监督的训练，非常有实用价值。
3. KPConv:Flexible and Deformable Convolution for Point Clouds
推荐理由：最新的点云特征提取网络，对点云的处理又回到了规则结构上，与传统图像卷积的方法进一步靠近，这有利于减少网络参数量提升特征层次。近年来类似的文章出现了不少，其中比较优雅和具有代表性的则是KPConv，其它类似的文章还有：
Deformable Filter Convolution for Point Cloud Reasoning，arXiv，2019.
Efficient Learning on Point Clouds with Basis Point Sets，ICCV，2019.
Point convolutional neural networks by extension operators，SIGGRAPH，2018.
