点云这条路，很多人是从「跑通一个 PointNet」开始的，然后卡在同一个地方：模型能训，但换一份数据就崩；知道要用 KITTI，但说不清标注里每个字段对应哪一步处理；看到 BEV、体素、稀疏卷积这些词，能背定义，接不上它到底解决了什么工程问题。这门课要补的就是这段落差——不是从零讲深度学习，而是把三维点云从传感器到任务输出这条链路讲透，再把深度学习在其中的位置摆正。
先确认你缺的是哪一块
- 点云的基本操作只能靠现成库调用，滤波、降采样、配准、法线估计每一步的参数依据说不出来；
- 知道 PointNet/PointNet++、VoxelNet、PointPillars 的名字，但讲不清它们各自对「点云无序性」和「稀疏性」的处理取舍；
- 检测、分割、配准、补全这几类任务的输入输出定义混在一起，评价指标也分不清谁对谁；
- 自动驾驶场景下的点云处理只停留在论文里的公开数据集，没建立起从采集、标注到模型输入的整体视角。
如果上面有几条对上了，这门课的顺序安排对你是有用的；如果点云基本概念都还没接触过，建议先补线性代数和基础的卷积网络，再回来。
课程围绕两条线展开
第一条线：传统点云处理的基础能力
这部分不是走过场。点云的邻域结构、KD 树与八叉树、点云配准中的 ICP 与其变体、特征描述子，这些是后面理解网络设计动机的前提。比如为什么很多方法要先做体素化，为什么稀疏卷积能省算力，答案都藏在数据结构里，而不是在网络结构图上。
第二条线：深度学习在点云上的任务谱系
课程按任务类型推进，而不是按时间顺序讲论文。分类与分割解决「每个点是什么」，目标检测解决「场景里有什么、在哪」，配准解决「两帧怎么对齐」，补全与生成解决「缺的部分长什么样」。每类任务都会落到具体的网络设计选择上：怎么处理置换不变性、怎么在稀疏结构上做卷积、怎么把点云投影到 BEV 或距离图像。
自动驾驶案例是串起来的线索
课程用自动驾驶点云处理作为贯穿的应用背景，这点值得单独说。自动驾驶点云有几个绕不开的特点：稀疏、不均匀、远近距离差异大、遮挡严重、标注成本高。这些问题在通用数据集上不明显，一放到实际场景就暴露。跟着这条线索走，你会更容易理解为什么某些方法在论文指标上好看、换到自己的数据上就不行——因为问题定义和数据处理方式变了，而不只是模型没调好。
看完你应该能回答这些问题
- 给定一份点云数据，怎么判断该用体素化、投影还是直接点处理？各自的代价是什么？
- PointNet 的对称函数解决了什么，又留下了什么没解决，后续方法是怎么补的？
- 稀疏卷积相比普通三维卷积，在点云检测里省下的是哪部分计算？
- 点云配准和点云配准网络（如 DCP、PRNet）的差别在哪，什么场景下前者更稳？
- 检测任务里的 mAP、分割任务里的 mIoU，计算时对点云这种无序数据分别怎么定义？
能把这些说清楚，说明你不是只会调库，而是理解了方法背后的约束。
配套资料怎么用
课程资料包含笔记与章节配套内容，建议不要等全部看完再回头整理。每完成一个任务模块（比如分割这一类），就把该类任务的输入输出、代表方法、评价指标各写三行，积累成自己的对照表。这类表在面试和实际选型时比翻论文快得多。另外，课件里的网络结构图建议自己手画一遍，尤其是张量维度变化的环节，很多「跑不通」的问题出在维度对不上，而不是思路错。
这门课不适合当作点云的第一份材料，也不承诺看完就能做自动驾驶项目。它更像是一次系统性的查漏：把散落的方法归位到任务框架里，把「知道名字」变成「知道它为什么存在」。
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
