2.数据 - 大量图像数据可用。
      在2d图像长足发展之后，数据标注行业对图像数据的需求也越来越式样化，3d点云的数据的需求也越来越
  多。
      对与相当一部分标注行业从业人员来说3d点云感觉就是非常有难度，无从下手，好多人都 会有“3d点云是怎
么回事？怎么样理解3d点云？3d点云怎么标注？怎样进行3d点云标注”等等很关于3d点云的问题。

     对于数据标注人员来说了解3D点云理解3D点云对进行3d点云的数据标注工作也是极为重要的，对于复杂的
难度大的项目我们首先了解这种项目的本身理论性对项目的开展也是有非常大的作用。那么接下来就针对大家
“怎样理解3D点云？  3d点云是怎么回事？”这方面的相关理论常识来分析讲解下。

   3d点云数据它主要指的是扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信
息（RGB）或反射强度信息（Intensity）。

    点云数据除了具有几何位置以外，有的还有颜色信息。颜色信息通常是通过相机获取彩色影像，然后
将对应位置的像素的颜色信息（RGB）赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采
集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波
长有关。

   数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的
处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDAR传感器或RGBD
相机的扫描点云，无处不在。 另外，大多数系统直接获取3D点云而不是拍摄图像并进行处理。因此，在深度
学习大火的年代，应该如何应用这些令人惊叹的深度学习工具，在3D点云上的处理上达到对二维图像那样起
到很好的作用呢？
   

   3D点云应用深度学习技术面临的挑战。首先在神经网络上面临的挑战：

     （1）非结构化数据（无网格）：点云是分布在空间中的XYZ点。 没有结构化的网格来帮助CNN滤波器。
     （2）不变性排列：点云本质上是一长串点（nx3矩阵，其中n是点数）。 在几何上，点的顺序不影响它在底层矩
阵结构中的表示方式，例如， 相同的点云可以由两个完全不同的矩阵表示。 如下图所示：
     （3）点云数量上的变化：在图像中，像素的数量是一个给定的常数，取决于相机。 然而，点云的数量可能会有
很大的变化，这取决于各种传感器。

  目前在点云数据方面的也有着相当大的挑战：

   （1）缺少数据：扫描的模型通常被遮挡，部分数据丢失。
   （2）噪音：所有传感器都是嘈杂的。 有几种类型的噪声，包括点云扰动和异常值。 这意味着一个点有一定的概率
位于它被采样的地方（扰动）附近的某一半径范围内，或者它可能出现在空间的任意位置（异常值）。
   （3）旋转：一辆车向左转，同一辆车向右转，会有不同的点云代表同一辆车