“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。
写好论文的人各有各的方法，被deadline逼疯的孩子却都一样。转眼开学已经过去了将近两个月，各种论文的压力也纷至杳来，RENA每天都能听到身边同学“我要开始写论文了！”的豪言壮语，却总伴随着“又TNND一个字都没动...”的铩羽而归(......)。
点云处理从最早期的手工设计特征，到之后渐渐有一些深度学习的尝试，经历了 multi-view或者3D卷积等等的混沌时期，知道 pointnet 的横空出世，开始蓬勃发展，于是有了后来的 pointnet++， DGCNN， SONet， KPConv， PointMLP 和 Point tranformer 等等，后期的工作没怎么跟了，比较巧合的是，前阵子听师兄讲，在使用point pillar的时候，pointnet的算力都没办法满足，pillar的特征还是手工设计的。
为了促进视觉功能可供性在真实场景中的研究，来自华南理工大学等机构的研究者提出了基于 3D 点云数据的功能可供性数据集 3D AffordanceNet，该数据集基于现有的大型 3D 点云分割数据集 PartNet，通过一个 3D GUI 标注工具，引导标注者在预先定义好的功能类别上进行数据标注，并利用标签传播算法将标注者的标注扩散到整个物体点云上，以获得点云中的各个点关于具体功能的概率值得分。
极目新闻记者 李碗容通讯员 易俊实习生 肖羽婷3月5日，江汉大学J15教学楼，该校炳灵学院人工智能专业2020级本科生吴显峰正埋头忙于新的科研内容，在自动驾驶和自主机器人领域的物体识别稳定性问题上继续探索。
作者 | 赖文昕 陈彩娴编辑 | 陈彩娴2009 年，当苏昊第一次走进位于斯坦福 Serra Mall 353 号的盖茨大楼时，他刚经历完一场对人工智能的思想挣扎。那时他刚参加完搭建 ImageNet。导师李飞飞从普林斯顿转到斯坦福任教后，他也随之从美国东部来到硅谷。
有一个新兴的深度学习研究领域专注于将 DL 技术应用于 3D 几何和计算机图形应用程序，这一长期研究的集合证明了这一点。对于希望自己尝试一些 3D 深度学习的 PyTorch 用户，Kaolin 库值得研究。
很久没有推荐论文了，但是在推荐新论文之前，首先推荐一个新闻:谷歌分享了公司内部如何使用代码生成案例，3%的新代码是由语言模型、DeepSpeed 编写的，通过语言模型生成代码的智能建议，建议接受率约为25%，减少了6%的编码迭代时间，平均每个接受的建议为21个字符:这才是AI在真实世界的应用，并且正在向着更好的方向前进，而不是像某些人成天吹嘘的替代这个、替代那个。
