Der Artikel von Rusu et al. aus dem Jahr 2008 beschäftigt sich mit der Erstellung von 3D-Punktwolken-basierten Objektkarten für Haushaltsumgebungen. Eine Studie von Asma-Ull et al. aus dem Jahr 2023 untersucht die Umwandlung von Regression in Klassifikation zur Vorhersage von verknöcherten Gefäßen. Eine verbesserte Segmentierungsmodelle für Punktewolken wird von Hao et al. in 2023 vorgestellt. Qi et al. haben das PointNet++ Modell entwickelt, das tiefergehendes, hierarchisches Merkmaltraining auf Punktsets in einem metrischen Raum ermöglicht.
Eine Reihe von Studien wie die von Ding et al., Wang et al. und un Nabi Jafri et al. beschäftigen sich mit der Anwendung von Deep Learning auf Punktewolken für verschiedene Aufgaben wie die Objekterkennung, Segmentierung von Möbeln und Klassifikation von Objekten in automobilen RADAR-Punktewolken. Darüber hinaus werden verschiedene Techniken für die Segmentierung, Detektion und Klassifikation von 3D-Punktewolken untersucht.
In Bezug auf Few-Shot-Learning haben verschiedene Studien wie die von Ren et al., Vishwanath et al. und Stojanov et al. Meta-Learning-Techniken für die Halbüberwachte Klassifikation und Erkennung entwickelt. Darüber hinaus haben Arbeiten von Schwarz et al. und Lee et al. verschiedene Ansätze für federated Learning für die Analyse von Lidar-Daten in automatischen Szenen vorgeschlagen. Weitere Arbeiten untersuchen die effektive Few-Shot-Klassifikation von 3D-Punktewolken und die Anwendung von GNNs (Graph Neural Networks) auf diesen Daten.
Zusammenfassend beschäftigen sich die in diesem Text zitierten Arbeiten mit unterschiedlichen Anwendungen und Techniken im Bereich der Verarbeitung und Analyse von 3D-Punktewolken. Von der Objekterkennung und -segmentierung über das Few-Shot-Learning bis hin zu federated Learning decken diese Studien ein breites Spektrum an Themen ab und tragen zur Weiterentwicklung der 3D-Technologie bei.