PointNet算法学习

 

 

 打开点云的工具，就是一个压缩包。

一个飞机由10000个点所组成的，每个点由xyz和Nx，Ny，Nz。六个坐标组成。

每个点是位置上的关系。

 

 不论检测还是分类，分割，你做AI中的任何一件事，归根结底就是一件事，如何更好的提取特征。

 抓住核心思想，非常重要。都喜欢用输入，输出，直接到位。多任务处理是个啥？

没理解最后一句话，疑问：： 升维以后，再求取最大值，与升维之前有啥区别？？

 先升维度，再提取最大特征，分类。

 【PointNet作者亲述】90分钟带你了解3D物体检测算法和未来方向！_哔哩哔哩_bilibili

 

 

 

 

 

 

 由于计算和耗时，否定3D卷积，那么，新的解决思路是什么？（由此看来，研究思路很关键，提出问题很关键）

1.用图像的方法

2、变成鸟瞰图，二维的来处理。

3、针对3D点云的稀疏性，寻找方案。

 

 

 将图像和点云结合的思路。

 pointnet，不需要把图像网格化，做分类和分割都可以。

 3D目标检测，陈晓智。？。

 rpn，在物体中心产生proposal。

 

3D目标检测未来研究方向 —— 52分钟

1，从输入端考虑，多模态的输入 ，可能还需要更多的研究。如何结合不同传感器的感知信息，实现更好的检测效果。空间维度和时间维度上的考量。

2，从交叉学科，从机器学习的角度来看3D目标检测。半监督学习，自监督学习。弱监督学习。

多任务学习。（同时做好几个任务，）

持续学习，（中间加入新的东西，还可以继续保持）

3，在机器人领域，识别小零件。

 

 图像的生成，不是一下子生成的，他是有一个shuttle。这是一个成熟的工程问题。

其实lidar生成的不是点云，而是深度图像，

 

科研经历：1小时5分后。

 提出好的问题占一半，数据和matric处理好，模型占比25%。

所以，还是我的观点，做事情，需要非常注意方法论。

 这个图很有意思啦，

需要找到一个方向，这个方向，即是目前在你能力范围内的，也是现有条件支持的。这个探索的边界又不能是无底洞。

1， 找到关键节点：机器人，特定物体检测算法，是空白的。

尽早的发现，在技术相对成熟的时候，进入这个领域。成为在这个boundary上突破的人啦。

2、横向比较，2D和3D，nlp和图像等对比。

3、从工程中总结，——鼓励大家去好的公司实习。

4、快速调整方向，创新度不够高或者太难了，不好出成果。不要在一个坑上死磕。

5，在项目经历中积累未来的选题

小结：选题是博士或者研究员最重要的一个能力。只要题目合理，总能做出成绩。

 

科研需要布局， 怎么让项目越做越宽。

追求简约。又简约，又可以work。

做3D检测的话，waymo的目标检测是一个更优的选择。

尽量从实际出发，找到一些应用点。

而不是将一些比较高大上的科技，比如GNN，transform等，在这上面修修改改，提升0.5个百分点。这样的work在审稿的角度来说是比较危险的。

3D点云，重建。可做的方向。

项目的话，3到4个月的周期是比较合适的。

论文投稿后有很多工作要做。

3D目标检测是一个红海，大类的目标检测，目前已有的算法是比较强了，可提升的空间比较有限。可以换一下角度，比如多模态的，或者基于时序的。

避免与红海的方法去比拼，看大的实验室有没有提出什么新坑。

slam的输出，成为感知算法的输入，这个方向研究的比较少。