如今，图像或点云的语义分割的不同应用领域中使用。在机器人领域，语义分割例如用于标记机器人环境中的物体。如果机器人需要找到特定的对象，则需要进行某种对象识别。所以语义标注非常有用，因为机器人可以对其周围的对象进行分类和识别。自主驾驶也是使用语义标签分割的领域。对于一辆自行驾驶的车辆来说，它需要知道周围有什么不同的物体。车辆要知道的最重要的事情之一是道路是怎么样的是否是可以的可以行走的。另一个重要的事情要知道的是其他车辆的位置，知道其他车辆的位置这样它可以适应它们的速度，或者在必要时超过它们。同样在3D地图中，语义标签被用来可视化对象，例如建筑物，地形和道路。语义标签可以给我们一个更容易理解的3D地图。点云的语义分割另一个很有用的是3D点云的陪住。在配准中，计算两组点之间的刚性变换以对齐两个点集。

 在点云数据上执行语义分割时，会比在2D图像的语义分割中遇到更多困难。 一个大难题是3D的案例中没有太多的训练数据。 这是因为在3D中标注数据集比在2D中更难。 另一个挑战是点云之间的点稀疏，这使得有可能透视物体。 这使得难以看到点云中的结构并区分一个点属于哪个物体。

 文章的目的是利用预训练的二维卷积神经网络来研究点云的语义分割。 这是通过投影点云中的合成2D图像并使用卷积神经网络对它们进行分割来执行的。

 为了实现语义分割点云，我们选择将点云投影到2D图像中。 这是因为在2D中语义分割的问题比3D中的更容易，这意味着分类器有更多的选择来分割图像。 进行2D投影的另一个原因是2D中的训练数据比3D中丰富。 这使得测试不同数据变得更加容易，并且还有更多种类的训练数据。 学则使用卷积神经网络（CNN）作为工具，因为它已被证明是用于图像的语义分割的好工具。