课题简介
点云（Point Clouds）是物体表面上一系列三维点坐标的集合，是用于精确描述三维空间几何信息的三维数据。点云分割旨在为每个点预测准确的类别标签，从而精确地识别和理解物体和场景。基于深度学习的点云分割是目前学术界和工业界的热门方向，在自动驾驶、机器人、遥感、医学等多个领域具有广泛的应用和发展前景。由于点云数据的独特性（非结构化、无序性和不完整性等）、现实世界的复杂性以及任务的多样性，点云分割仍然是一项具有挑战性的任务。
导师介绍
【学校/研究方向】
QS TOP 50 博士毕业。研究方向为点云分割和多模态大模型。
【科研论文/审稿人】
在国际会议/期刊发表学术论文二十余篇(一作8篇)，包括TPAMI、CVPR、NeurIPS、AAAI、ICCV等。谷歌引用约2k。长期担任NeurIPS/CVPR/ICCV/ECCV/ICLR等审稿人。
可选创新点
（1）基于深度学习的点云分割的主要技术
（2）基于多层感知器点云分割
（3）基于图神经网络点云分割
（4）基于稀疏卷积点云分割
（5）面向自动驾驶的激光雷达点云分割(全监督、弱监督、域迁移、无监督)
课程亮点
（1）课程设置门槛较低，对初学者比较友好
（2）提供基础代码
（3）注重科研训练，包含写作指导、投稿选刊指导等
（4）涵盖多个前沿子方向，许多子方向尚处在研究的早期阶段，学术上机会很多，且切合工业应用的难点，配合基础代码，能帮助学生快速上手并做出成果
（5）迁移性强。点云分割的技术在不同领域（如无人机遥感、医学等）具有高通用性，可快速扩展到其他领域的点云处理