终于可以简单写一下这一块的导读了，拖了一个多周了。希望可以帮助到大家；）

1. 背景知识

点云检索（point cloud retrieval） vs 场景识别（place recognition）

点云检索，其实非常直观了，就像 图像检索一样，以图搜图，这里只不过是点云搜点云。随着数据从1D–>2D–>3D的发展，这样的检索系统自然也就需要了。

场景识别可以看做是点云检索的一个实例，或者说一个应用场景。
场景识别主要针对自动驾驶当中，可识别当前场景是否在已规划路线当中并进行判断。

2. 定义

假设数据库集合为M，点云队列为Q，我们的目标就是检索出点云队列Q当中的每个点云其在数据集合M当中结构最相似的一个。设计任务点有：

• 如何表达一副点云？
• 相似度如何衡量？

3. 传统方法

基准线三步骤：

1. 特征提取
2. 特征编码
3. 匹配
   

具体参考流程：
An evaluation of feature encoding techniques for non-rigid and rigid 3D point cloud retrieval

其他相关参考文献：

1. A survey of content based 3d shape retrieval methods 2004
2. local descriptors: A comprehensive performance evaluation of 3d local feature descriptors（传统局部特征描述子）
3. mesh retrieval：Feature encoding of spectral signatures for 3d non-rigid shape retrieval
4. The bag of words approach for retrieval and categorization of 3d objects
5. 3D point cloud retrieval with bidirectional feature match IEEE Access 2019 （匹配）
6. 3D point cloud retrieval with bidirectional feature match （匹配）

4. 基于深度学习的方法

现有历程：

个别方法简介：

• PointNetVLAD： 先驱工作，主要结合PointNet+NetVLAD+ 四元组户函数
• PCAN：使用PointNet++分组的思想来提升特征表达；
• LPD-Net：特征使用基于学习的+手工设计的，同时使用图结构来提升效果，代价高
• DH3D：使用6自由度，更侧重于SLAM方向，所以没有具体去阅读了
• LPD-AE：是LPD-Net的后续版本，使用AE，其中Encoder用于提取特征，Decoder用于重构，同时实现了两个任务：提取的特征用来检索；重构用于复现特征到点云；
• DAGC：主要使用了DGCNN的图卷积，以及双向attention。
• EPC-Net：还未中。Efficient 3D Point Cloud Feature Learning for Large-Scale Place Recognition
• SOE-Net：用到了PointShift那篇文章的思想来有向特征。
• MinkLoc3D：用到了明科夫斯基点云卷积来简化特征表达，同时使用了Geo Mean池化方法替代NetVLAD，是当前最有效的方法
• PPT-Net：金字塔架构+图结构，效果最好
• TransLoc3D：与PPT-Net思想类似，用到了Transformer的思想，arXiv最新文章。

还未详细讲解的后续慢慢增加。

5. 其他参考：

1. 相关会议： 3D oject retrieva （3DOR）
2. Track：14 years of Retrieval Contest (SHREC) track
3. 相关最新列表：https://github.com/kxhit/awesome-point-cloud-place-recognition