PointRCNN

最新推荐文章于 2024-01-28 20:30:57 发布
最新推荐文章于 2024-01-28 20:30:57 发布
阅读量871 收藏 3
点赞数
分类专栏： 目标检测 文章标签： 3D检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSS360/article/details/101147595
版权

论文链接

代码链接
针对的领域：从原始的点云数据进行3D目标检测

框架的组成：从下到上的3D建议生成；精炼建议在标准坐标来获得最后的检测结果

展开描述

       不像原先方法从RGB图像、投影点云到鸟瞰图、体素得到建议，我们的阶段1子网络直接生成一个小数量的高质量3D建议从点云在一个由下到上行为通过分割整体场景的点云到前景点云和背景点云。阶段2子网络转换池化点云的每个建议到标准坐标来学习比较好的本地空间特征，并与在阶段1得到的整体分割特征中每个点进行结合，来得到精确的框和更高置信度的预测。通过在3D检测标准数据集KITTI的实验表明，我们提出的框架性能优于先前的方法，只使用点云作为输入的显著边缘。

本网络模型与先前网络模型比较

系统框架

性能对比

说明：该论文证明 bin-based loss在3D框检测的有效性

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料

元宇宙MetaAI
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文阅读笔记 | 三维目标检测——PointRCNN
Clichong
11-15 1989
在PointRCNN诞生之前，对于点云的物体检测基本上是利用鸟瞰图（多视图的投影）或者是量化成Voxel再进行3D卷积的方法实现，这样量化的操作其实相比直接利用点云输入是有部分信息的丢失，而且3D卷积的计算量也较大。基于这个出发点，PointRCNN是第一个比较work完全以点云数据为输入的3d检测算法。 以点云为输入就必然需要面对点云无序性等问题，但是也有其中的优势。相比于2d目标检测的ground truth是有可能重叠的，在一个3维空间中的object之间是彼此独立不可能重叠，也就是说对于点云数据的
[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）
Callme_TeacherPi
07-25 7904
[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法） 1.下载代码2.准备数据集(1)使用官网提供的数据集格式(2)使用软连接3.检测结果4.结果可视化(1)仅显示LiDAR(2)显示LiDAR和图像(3)显示具有特定索引的LiDAR和图像(4)显示带有modifiedLiDARfile附加点云标签/标记的LiDAR作为第5维先附上环境配置python3.6。.........
【Python】PointRCNN在线可视化点云与图像
RockWang的博客
05-04 605
PointRCNN在线可视化
PointRCNN代码逐步复现
yuan_gao01的博客
01-28 598
过老的pytorch1.0不好配。采用1.8也可以完成。
PointRCNN环境搭建
u014173215的博客
03-30 919
Environment Ubuntu 18.04 cuda:10.1 PyTorch 1.4.0(http://download.pytorch.org/whl/cu101/torch-1.4.0-cp38-cp38-linux_x86_64.whl) PointRCNN https://github.com/sshaoshuai/PointRCNN 环境创建与激活 conda create -n pointrcnn python=3.8 conda activate pointrcnn 安装py
PointRCNN1_语义分割_pointrcnn_
10-04
PointRCNN（Point-based Region Proposal Network）是由Charles R. Qi等人在2018年提出的一种针对3D点云数据的深度学习方法，专门用于目标检测和语义分割。这个算法的独特之处在于它结合了区域提议网络（Region ...
PointRCNN:点RCNN
05-11
PointRCNN：从点云生成和检测3D对象提案 PointRCNN：3D对象提案从点云生成和检测的代码发布，CVPR 2019。 作者：，，。 新增：我们提供了PointRCNN的另一种实现，用于在通用3D对象检测工具箱进行多类联合训练。 ...
PointRCNN预训练权重---[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN
07-26
PointRCNN源代码中的作者提及的预训练模型。[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）。有了该模型就无需自己在训练，...
smart-annotation-pointrcnn：SAnE的PointRCNN版本，它是用于点云数据的基于Web的半自动注释工具
02-06
智能注释点SANE-PointRCNN，由PointRCNN辅助的基于浏览器的3D边框注释工具。 该作品基于HA Arief的和环境使用Anaconda在Debian 9.9上测试，Cuda：10.0，Python：3.6，Pytorch：1.2.0安装git clone --recursive ...
PointRCNN.pth
06-03
PointRCNN权重，PointRCNN主要用于处理三维点云进行目标识别（CVPR2019）。算法地址：https://github.com/sshaoshuai/PointRCNN
PointCNN的代码下载链接
04-24
由山东大学提出的PointCNN是一个简单通用的点云特征学习架构。基于这一方法的一组神经网络模型一举刷新了五个点云基准测试的记录。 CNN成功的关键在于其卷积操作能够很好地从基于规则域表示的数据中提取局部信息。然而，由于点云数据的不规则和无序性，使得卷积操作由于输入数据顺序的不稳定很难直接应用到点云数据上。 为了解决这个问题，PointCNN提出了一种称为X-变换的方法。X-变换是从输入点学习到的一组权值X，这组权值可以对各点相关联的特征进行重新加权和排列。 X-变换可以实现“随机应变”，即当输入点的顺序变化时, X能够相应地变化，使加权和排列之后的特征近似不变。输入特征在经过X-变换的处理之后能够变成与输入点顺序无关同时也编码了输入点形状信息的归一化的特征。在经过X-变换之后的特征上进行卷积能够极大提高卷积核的利用率, 从而大大提高卷积操作在无序数据上提取特征的能力。
pointRCNN复现记录
jinseyanhuo的博客
10-04 1545
cd 到可视化项目的 data 目录下，原教程中指出需要将链接命名为 obj ，但在可视化显示时无法提示文件无法找到，因此选择直接删除可视化项目中的 object 文件，将 PointRCNN 项目下 KITTI 数据集的 object/ 目录直接链接到 data/ 目录下。pointnet2_lib打开的话是空的，这个时候需要在github中把这个文件夹单独打开，把里面的东西下载下来，然后放在本地代码文件夹里面去。显示 PointRCNN 的预测值和真值对比，在可视化命令后加 -p。
pointRCNN原理与复现
github_37671026的博客
09-11 4349
pointRCNN原理与复现: 整体思路: https://zhuanlan.zhihu.com/p/71564244 原理: https://blog.csdn.net/taifengzikai/article/details/96840993 https://zhuanlan.zhihu.com/p/97716398 涉及到的了解知识 图像中的掩模mask是什么: https://blog.csdn.net/bitcarmanlee/article/details/79132017 弱监督学习: htt
PointRCNN (2019.5.16，港中文)
phy12321的博客
09-07 1156
概述： 本论文（点击下载）工作只使用点云数据作为输入。对点云来说，对每个点进行分类就是在做语义分割 stage-1 直接在点云上学习特征，通过将点云分类为前景和背景（对点云数据这就是语义分割的mask）来生成少量的bbox提议。 stage-2 将之前得到的提议的点云特征做池化。池化后的点云坐标转化为归一化的坐标，与池化后的特征 和 stage-1得到的分割mask 一起，来学出相对坐标 提出了...
PointRCNN：三维目标检测
热门推荐
冯子材的博客
07-22 2万+
PointRCNN是CVPR2019录用的一篇三维目标检测论文。 摘要 本文中提出了一种PointRCNN用于原始点云的3D目标检测，整个框架包括两个阶段：第一阶段使用自下而上的3D提案产生，第二阶段用于在规范坐标中修改提案获得最终的检测结果。Stage-1阶段子网络不是从RGB图像或者将点云投影到鸟类视图或者体素中，而是通过将整个场景的点云分割为前景点和背景点，以自下而上的方式直接从点云生成少量...
点云深度学习系列1——PointCNN代码阅读心得
李敏乐的博客
05-08 1万+
先是一点题外话，作者的Github维护的很好，经常更新，而且对读者的答疑也很及时，大赞。下面进入正题。 看过代码的同学都知道，作者的核心思想X变换在代码pointcnn.py中，里面主要包含两部分，特征提取和X矩阵训练。下面分开来说。 用于提取邻域特征的只有两个dense层（也叫fc层/MLP），很简单地将尺度为（P,K,C）的邻域结构升维到了（P,K,C’）。 # Prepare...
PointRCNN-README
有所为，有所成长
08-22 1503
PointRCNN PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud [外链图片转存失败(img-5GzBTq7k-1566392767601)(https://github.com/sshaoshuai/PointRCNN/blob/master/doc/teaser.png)] Code releas...
小白科研笔记：简析PointRCNN的基于Bin的误差机制
Niuip的博客
04-03 2890
1. 前言 PointRCNN是一篇做3D目标检测的CVPR2019的文章。目前位居KITTI目标检测榜首的是PV-RCNN。这个算法的前身就是PointRCNN。它们的作者都是同一个人。考虑到PV-RCNN算法有些复杂，于是我想先从PointCNN着手。这是我写这篇博客的原因。在分析单阶段目标检测算法SA-SSD时候，已经积累了一些3d目标检测的知识代码储备，希望这次的讨论能够顺利一些。 2. ...
小白运行pointRCNN及其可视化
qq_41918369的博客
07-17 1849
小白运行pointRCNN及其可视化 https://github.com/sshaoshuai/PointRCNN 在原作者的readme文件中将运行书写了一遍，但对于部分新手来说，在运行过程中还是会出现一部分问题的，本博客记录作为小白的我运行出现的问题即解决方案。 同时pointRCNN提供了训练数据的代码，但是未提供可视化的代码，本文将其可视化过程出现的问题和解决方案一并提供。 数据准备 http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_
PointRCNN fpga
最新发布
03-07
PointRCNN是一种用于三维目标检测的深度学习模型，它可以在点云数据中检测和定位物体。PointRCNN结合了二维图像和三维点云的信息，通过使用Region Proposal Network (RPN)生成候选框，并通过ROI pooling提取特征。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值