【点云目标检测】PIXOR: Real-time 3D Object Detection from Point Clouds-PIXOR具体网络参数变化

最新推荐文章于 2023-10-21 20:32:53 发布
最新推荐文章于 2023-10-21 20:32:53 发布
阅读量512 收藏 6
点赞数 2
分类专栏： 目标检测
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/Doraemon_Zzn/article/details/106734178
版权

PIXOR主体网络结构

看点云的目标检测相关文章中经常提到这篇文章，故将该文章读了一遍，做点记录。
CVPR2018，截止到目前，官方还是未开源，现在有大佬复现的版本。
地址：https://github.com/philip-huang/PIXOR
还有ROS版本：https://github.com/hehern/PIXOR

介绍

PIXOR是一个proposal-free，one stage的目标检测网络，采用BEV作为输入，速度10FPS和平均精度在当时还是很不错的。在KITTI BEV目标检测数据集和ATG4D上进行测试。

网络结构图

整体的网络还是不太难的，是主干网络Backbone+Header的结构。
点云转化为图片形式的矩阵：
三维体素网格方法计算量很大，本论文主要使用的是BEV作为输入，整体上是将三维变成二维，但是同样保留了一些高度信息。文章有一个很重要的假设：所有的目标都是在地面上，这样这个模型才能成立。BEV表示还有一个好处，那就是目标之间是不会重叠的。800x700x36的输入就是将空间划分成[0,70]，[-40,40]，[-2.5,1]米的区域，分辨率取成0.1米。这样的得到800x700x35，再加上反射率特征，将其归一化到[0,1]，这样就得到了800x700x36。
在这里插入图片描述

Backbone

BackBone(
  (conv1): Conv2d(36, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (conv2): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn1): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (bn2): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (relu): ReLU(inplace=True)
  (block2): Sequential(
    (0): Bottleneck(
      (conv1): Conv2d(32, 24, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(24, 24, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(24, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(32, 96, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (relu): ReLU(inplace=True)
    )
    (1): Bottleneck(
      (conv1): Conv2d(96, 24, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(24, 24, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(24, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (2): Bottleneck(
      (conv1): Conv2d(96, 24, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(24, 24, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(24, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(24, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
  )
  (block3): Sequential(
    (0): Bottleneck(
      (conv1): Conv2d(96, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(96, 192, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (relu): ReLU(inplace=True)
    )
    (1): Bottleneck(
      (conv1): Conv2d(192, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (2): Bottleneck(
      (conv1): Conv2d(192, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (3): Bottleneck(
      (conv1): Conv2d(192, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (4): Bottleneck(
      (conv1): Conv2d(192, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (5): Bottleneck(
      (conv1): Conv2d(192, 48, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(48, 48, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(48, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(48, 192, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(192, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
  )
  (block4): Sequential(
    (0): Bottleneck(
      (conv1): Conv2d(192, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(192, 256, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (relu): ReLU(inplace=True)
    )
    (1): Bottleneck(
      (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (2): Bottleneck(
      (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (3): Bottleneck(
      (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (4): Bottleneck(
      (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (5): Bottleneck(
      (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
  )
  (block5): Sequential(
    (0): Bottleneck(
      (conv1): Conv2d(256, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(96, 96, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(96, 384, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(384, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (downsample): Sequential(
        (0): Conv2d(256, 384, kernel_size=(1, 1), stride=(2, 2), bias=False)
        (1): BatchNorm2d(384, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      )
      (relu): ReLU(inplace=True)
    )
    (1): Bottleneck(
      (conv1): Conv2d(384, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(96, 384, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(384, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
    (2): Bottleneck(
      (conv1): Conv2d(384, 96, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn1): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv2): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
      (bn2): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (conv3): Conv2d(96, 384, kernel_size=(1, 1), stride=(1, 1), bias=False)
      (bn3): BatchNorm2d(384, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
      (relu): ReLU(inplace=True)
    )
  )
  (latlayer1): Conv2d(384, 196, kernel_size=(1, 1), stride=(1, 1))
  (latlayer2): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1))
  (latlayer3): Conv2d(192, 96, kernel_size=(1, 1), stride=(1, 1))
  (deconv1): ConvTranspose2d(196, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), output_padding=(1, 1))
  (deconv2): ConvTranspose2d(128, 96, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), output_padding=(1, 0))
)

Header

Header(
  (conv1): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn1): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv2): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn2): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv3): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn3): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (conv4): Conv2d(96, 96, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
  (bn4): BatchNorm2d(96, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
  (clshead): Conv2d(96, 1, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (reghead): Conv2d(96, 6, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
)

回归6个参数
在这里插入图片描述

损失函数

分类：cross-entropy loss输出p
回归：smooth L1 loss输出q
存在类别不平衡问题（一帧点云绝大部分为背景）。使用focal loss控制难易样本。
在这里插入图片描述

消融实验

1.改模型backbone和header network
在这里插入图片描述

总结

在这里插入图片描述

我叫林克不叫塞尔达
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
awesome-3D-object-detection:3D物体检测
04-15
作者：Tom Hardy 公众号： 公众号运营者和嘉宾介绍：运营者来自国内一线大厂的算法工程师，深研3D视觉、vSLAM、计算机视觉、点云处理、深度学习、自动驾驶、图像处理、三维重建等领域，特邀嘉宾包括国内外知名高校的博士硕士，旷视、商汤、百度、阿里等就职的算法大佬，欢迎一起交流学习！ 主要针对3D object相关算法进行了汇总，分为基于RGB图像、RGB-D数据、立体视觉、点云、融合等方式，欢迎补充~ 一、基于点云的三维目标检测算法 STD: Sparse-to-Dense 3D Object Detector for Point Cloud Fast Point R-CNN StarNet: Targeted Computation for Object Detection in Point Clouds Class-balanced Grouping and Sampling fo
Depth from Motion：探索突破纯视觉 3D 检测瓶颈
qq_39967751的博客
08-11 1511
当我们说单张图像估计深度本身是一件“不靠谱”的事情时，什么是“靠谱”的呢？ 为什么单张图像估计“不靠谱”，多张图像就“靠谱”了呢？ 而什么样的多张图像又会更“靠谱”一点呢？ 这篇文章将在纯视觉 3D 检测的任务语境下，针对自运动估计深度这一问题展开介绍，阐释利用多视角几何估计深度的合理性和有效性，讨论这一支持性原理为之后纯视觉 3D 感知提供的全新可能性。 ...
SSN:用于点云多类目标检测的形状签名网络(ECCV2020) - xinge008/SSN
01-27
SSN The project of our work "SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds" 1. Preliminary Release We first release the code of how to generate the shape signature in Lyft and nuScenes dataset, which is shown in 'shape_signature'. 2. Full Release SSN has been integrated into the . Please check it for the full code. Thanks
ImVoteNet - Boosting 3D Object Detection in Point Clouds With Im
12-13
ImVoteNet - Boosting 3D Object Detection in Point Clouds With Image Votes.pdf
Weakly-Supervised-3D-Object-Detection:来自点云（VS3D），ACM MM 2020的弱监督3D对象检测
05-18
来自点云（VS3D）的弱监督3D对象检测 由，王静璐和陆燕创建。 该存储库包含此。 强烈建议读者在运行代码之前使用Python 3.6创建和输入。 Jupyter Notebook快速演示 克隆此存储库： git clone https://github.com/Zengyi-Qin/Weakly-Supervised-3D-Object-Detection.git 进入主文件夹并运行安装： pip install -r requirements.txt 将下载到主文件夹，然后运行unzip vs3d_demo.zip 。 读者可以尝试使用Jupyter Notebook快速演示： cd core jupyter notebook demo.ipynb 训练 下载（，和）并将其放入data/kitti 。 从下载地平面和XYZ前视图图，并运行unzip vs3d_train.z
【3D目标检测】PIXOR：基于点云的实时三维物体检测
小执着的博客
02-24 1万+
PIXOR: Real-time 3D Object Detection from Point Clouds 阅读笔记 文章标题 PIXOR: Real-time 3D Object Detection from Point Clouds 作者 Bin Yang, Wenjie Luo, Raquel Urtasun 来源 IEEE Conference on Computer Vision an...
PIXOR: Real-time 3D Object Detection from Point Clouds
鱼遇的博客
10-21 436
PIXOR: Real-time 3D Object Detection from Point Clouds 背景 点云体素化做3D卷积计算量大，而且由于点云具有稀疏性，很多计算是不必要的。而将点云投影到一个平面上做2D卷积，点云会在离散化和投影的过程中产生信息丢失。因此作者提出一种输入是3D体素，但是做的是2D卷积的网络架构。 网络架构 1.输入点云转化 ...
【3D目标检测】PIXOR: Real-time 3D Object Detection from Point Clouds解读
毛毛的博客
03-16 1220
文章目录前言摘要1. 介绍2.相关工作3. 框架4 结果总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了什么结果？ 摘要 作者解决了自动驾驶环境下直接从点云进行实时3D目标检测的问题。通过鸟瞰图(BEV)表示场景，可以更加有效地利用3D数据，并提出了PIXOR，一种无候选框的one-stage检测器。PIXOR能够在高精度和实时效率(10 FPS)之间取得平衡。 1. 介绍 3D目标检测使用的数据源包括RGB-D传感器得到的带有深度信息的图像和激光雷达得到的点云数据。雷达
【CVPR 2018】PIXOR: 点云中三维目标的实时检测
weixin_44378835的博客
08-19 1383
PIXOR (`OR`iented 3D object detection from`PIX` el-wise neural network predictions)
三维目标检测论文阅读：PIXOR: Real-time 3D Object Detection from Point Clouds
碧落的博客
05-07 2948
PIXOR: Real-time 3D Object Detection from Point Clouds 论文链接：http://www.cs.toronto.edu/~wenjie/papers/cvpr18/pixor.pdf 代码链接：https://github.com/Yachao-Zhang/PIXOR 摘要：本文是18年CVPR，时间比较久了网上解读版本很多，本文只是记录一...
Multi-View 3D Object Recognition in Point Clouds
05-22
Multi-View 3D Object Recognition in Point Clouds
Fast Object Detection in 3D Point Clouds Using Convolutional Neural Networks
04-08
Abstract— This paper proposes a computationally efficient approach to detecting objects natively in 3D point clouds using convolutional neural networks (CNNs). In particular, this is achieved by leveraging a feature-centric voting scheme to implement novel convolutional layers which explicitly exploit the sparsity encountered in the input. To this end, we examine the trade-off between accuracy and speed for different architectures and additionally propose to use an L1 penalty on the filter activations to further encourage sparsity in the intermediate representations. To the best of our knowledge, this is the first work to propose sparse convolutional layers and L1 regularisation for efficient large-scale processing of 3D data. We demonstrate the efficacy of our approach on the KITTI object detection benchmark and show that Vote3Deep models with as few as three layers outperform the previous state of the art in both laser and laser-vision based approaches by margins of up to 40% while remaining highly competitive in terms of processing time.
3D测量之圆孔测量 拟合圆 点云变换
最新发布
lddx_123456的博客
10-21 1317
此文中的圆孔测量是一项3D视觉技术，旨在精确测量物体表面上的圆孔的直径和中心坐标。通过使用高精度3D相机（线激光轮廓仪或结构体等）采集原始点云数据，通过3D视觉算法能够快速、准确地分析物体上的圆孔特征，为制造和工程领域提供了强大的测量工具。圆孔测量在制造、自动化、质检和其他领域中具有广泛的应用。典型应用场景包括零部件尺寸检测、孔隙性材料分析以及工件组装等。
基于3D点云的小目标检测学习笔记
sinounuo的博客
03-16 2320
3D点云检测学习笔记（仅为内容整理，有些东西比较省略，我放了原作者连接）
【论文笔记】PIXOR: Real-time 3D Object Detection from Point Clouds
Elodier的博客
11-19 2303
1、概述 本文在自动驾驶的背景下，研究了基于点云的三维物体实时检测问题。我们解决了自主驾驶环境中点云实时三维物体检测的问题。 因为物体检测是自动驾驶安全的必要组成部分，而其中检测速度至关重要。 然而点云的数据维度高，现有方法计算量很大。 本文通过鸟瞰图（BEV）来表示场景，从而更有效地利用3D数据，并且提出PIXOR模型，一种无建议的单级检测器，基于像素级神经网络进行三维物体估计。 文章在输入的...
【论文阅读】【综述】3D Object Detection 3D目标检测综述
热门推荐
麒麒哈尔的博客
06-04 3万+
aaa3D Detection新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 3D Detection 你好！...
【3D目标检测】PIXOR: Real-time 3D Object Detection from Point Clouds论文综述（2018）
qq_42575422的博客
11-14 303
1、 为什么要做这个研究（理论走向和目前缺陷） ? 做3D卷积计算量太大，2D CNN信息损失又太多，考虑可以输入是3D体素但是做的是2D卷积。 2、 他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 输入是36个通道的3D体素数据（包括35个通道的3D体素特征，每个体素网格表示这个网格中是否有点云中的点，有记为1无记为0。还有1个通道代表体素网格反射率）。然后做2D卷积，在鸟瞰图下预测2D框（即不预测z值和框的高度），包括中心点坐标，航向角和框宽和高。不用anchor，以缩小版gt框内的像素点为正例
PIXOR实时3D目标检测
MIRCALEformula的博客
04-04 1438
PIXOR实时3D目标检测 论文题目：PIXOR: Real-time 3D Object Detection from Point Clouds 论文年份：2018年 论文来源： PIXOR: Real-time 3D Object Detection from Point Clouds ​ 论文代码： 下面是pytorch版本： philip-huang/PIXOR ​ 论文提出：作者考虑了...
PIXOR：基于实时点云的三维物体检测pytorch实现及ros使用
hehern的博客
03-19 1473
guthub分支：https://github.com/hehern/PIXOR phlip_huang的PIXOR分支：https://github.com/philip-huang/PIXOR 简介：该分支是copy的phlip_huang的PIXOR分支，直接使用的原代码主人的训练结果。在这基础上添加了ros实现代码-pixor_ros.py并在preprocess/LidarPrepro...
pointpillars: fast encoders for object detection from point clouds
03-16
PointPillars是一种用于点云目标检测的快速编码器。它使用了一种基于柱状体的编码方法，将点云数据转换为二维网格，从而提高了检测速度和准确性。此外，PointPillars还使用了一种特殊的卷积层，称为“滑动卷积层”，...

“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