传统的点云分割方法包括：
- 基于边缘检测的方法
- 基于区域增长的算法
- 基于特征聚类的算法
- 基于模型拟合的算法
- 基于图形的算法
深度学习方法相对于传统方法的优势：
传统方法过分依赖于人工设计的特征，成本高，计算量大，并且普适性差，在面向大数据集时表现不佳。
三维点云数据集：
点云模型的评价指标：
评价指标用于 分割算法 之间的性能比较，包括：平均交并比（mIoU）、总体分割精度（Overall Accuracy，OA）、平均精确率（mean Accuracy Precision，mAP）、参数量（Parameters）和每秒的浮点运算数（FLOPs）等。
- TP（True Positive） 预测为正样本且是预测结果是正确。
- FP（False Positive） 预测为正样本但是预测结果错误。
- FN（False Negative） 预测结果为负样本但是预测结果错误。
3D点云语义分割方法发展脉络
基于体素化的方法
基于体素化的方法是一种结构化的表示方法，其将无序的点云分割成一系列占用一定空间的体素，然后送入3D CNN逐步进行体素级别的特征学习，最后为每一格体素内的所有点匹配与该体素相同的语义标签。该方法有效地促进无序点云规则化，但是存在较高的计算和内存成本。
基于多视图的方法
多视图方法将一个3D对象按照多个角度投影成多个2D视图并提取各视图特征，然后融合这些特征以预测结果。
这种方法一个比较经典的网络就是MVCNN。它模拟相机从若干不同角度获取3D物体的2D图像，再利用预训练CNN模型提取特征，最后通过全局最大池化将不同视角的特征聚合达到形状识别的目的。
但是该方法所提取的特征冗余性很高，且没有很好的考虑多视角下的特征之间的关系。
基于点云的方法
1.基于多层感知机MLP的方法
PointNet直接将3D点云作为输入，引入T-Net结构实现点云的旋转不变，利用共享的多层感知机(MLP)提取输入的每个点的特征，通过最大池化将所有点的信息聚合得到全局特征。该方法有效改善了原始点云旋转不变性差的问题，广泛应用于分类、部件分割和语义分割等任务。
但存在过分关注全局特征而忽略局部特征的问题，没有考虑点与点之间的结构信息，也没有充分考虑到点云密度不均匀所造成的不利影响等问题，难以适应复杂场景。
针对以上问题， 在PointNet基础上进一步提出了PointNet++。如图2所示，该方法通过层级下采样来捕捉局部几何细节信息。此外，该方法还提出了多尺度分组和多分辨率分组的策略，以克服由于点云数据密度不均匀引起的稀疏点信息可能被忽视问题。虽然有效解决了PointNet在采样和特征提取方法上存在的问题，但仍然没有充分考虑如何有效利用点与点之间的结构信息，且所采用的K近邻搜索方法可能使得采样点集中在一个方向上，容易出现标签错分。
2.点卷积的方法
代表作：PointCNN，PointConv。
3.基于RNN的方法
将循环神经网络应用于3D点云语义分割模型。
4.基于图卷积的方法
基于图卷积的点云语义分割将点云中的每个点视为图的顶点，与邻域点生成图有向边,在空间域或频谱域中学习点、边特征，以捕获3D点云的局部几何结构特征。
代表作：DGCNN
DGCNN提出了一个用于学习边缘特征的边缘卷积(EdgeConv)，通过构建局部邻域图和对每条邻边进行EdgeConv操作，动态更新层级之间的图结构。EdgeConv可以捕捉到每个点与其邻域点的距离信息。
但是同样DGCNN忽视了相邻点之间向量的方向信息，忽略了一些结构信息。