LiDAR3D
文章平均质量分 94
关于激光雷达 3D 算法
calvinpaean
Carpe diem.
展开
-
VoxelNet End-to-End Learning for Point Cloud Based 3D Object Detection 论文学习
代码:VoxelNet End-to-End Learning for Point Cloud Based 3D Object Detection论文:VoxelNet End-to-End Learning for Point Cloud Based 3D Object Detection1. 解决了什么问题?对点云做 3D 检测是许多应用得以实现的关键,如自动驾驶和扫地机器人等。与图像检测相比,LiDAR 能提供可靠的深度信息,可准确地定位目标,描述出它们的形状。但由于多种因素,如 3D 空间的非原创 2023-07-08 22:33:15 · 485 阅读 · 0 评论 -
Center-based 3D Object Detection and Tracking 论文学习
在点云中,3D 目标通常以 3D 框的形式表示。这个表征借鉴于 2D 图像的检测,但也带来了一些问题。在 3D 世界中,目标没有特定的朝向,基于边框的检测器很难枚举出所有的朝向,或用一个与x或y轴对齐的边框来拟合任意旋转的物体。3D 检测与 2D 之间有着明显的差异,使算法的迁移工作更加困难。症结在于,与x或y轴对齐的 2D 框并不能很好地表示任意 3D 物体。如下图所示,anchor-based 方法使用自车坐标系下x轴或y轴对齐的 anchors。当这个车是直行时,该方法可以检出物体;原创 2023-05-06 13:51:27 · 522 阅读 · 0 评论 -
PointPillars Fast Encoders for Object Detection from Point Clouds 论文学习
它使用一个新的编码网络,基于 PointNets 学习柱状(pillar)点云表征,再预测目标的 3D 框。首先,PointPillars 学习特征(而不是依赖固定的编码),能利用点云的全部信息。学习特征的另一好处就是 PointPillar 无需手动调节,即可使用不同的点云配置,如多个 LiDAR 线扫或 RADAR 点云。检测 head 使用主干网络预测的特征,预测目标的 3D 框。提供了另一种标准化点的局部 context 的方式,它要计算出一个全局统计量,建立各点之间的关系。它们独立于其它的点。原创 2023-05-06 13:49:01 · 487 阅读 · 0 评论