Voxel-based及SECOND网络学习

最新推荐文章于 2024-05-25 00:00:47 发布
最新推荐文章于 2024-05-25 00:00:47 发布
阅读量1.4k 收藏 7
点赞数 1
分类专栏： 3D点云目标检测 学习笔记 文章标签： 网络 学习 深度学习
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/elegentbamboo/article/details/123034267
版权

VoxelNet

  • 原理：

    将三维点云划分成一定数量的Voxel,然后进行随机采样以及归一化，非空Voxel特征提取得到Voxel-wise Feature,3D卷积中层网络抽象特征，最后用RPN对物体分类检测与位置回归
    在这里插入图片描述

  • Feature Learning Network

1.体素划分
2.分组
3.随机采样
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Convolutional Middle Layers
这一层的计算量很大，也是整个网络存在的最大问题，Second将这个网络换成稀疏3D卷积网络，计算速度大幅提升
在这里插入图片描述
Region Proposal Network
输出概率评分图和回归图
在这里插入图片描述

SECOND: Sparsely Embedded Convolutional Detection

SECOND的三点贡献：

  1. 将VoxelNet三维中间卷积层替换成稀疏卷积层，大幅提升计算速度
  2. 增加了一个方向回归，提升模型训练收敛速度
  3. 数据增强，对一些真值点云数据进行拼接

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  1. 稀疏卷积减少了计算量，但是会出现子流行膨胀问题，子流行卷积可以保证原始分辨率，但不能提升感受野

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
RPN方向回归
在这里插入图片描述
数据增强
在这里插入图片描述

竹之雅
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
组队学习-图神经网络（second）
Etc_in_the_great的博客
06-19 349
一、图的可视化（networkx工具使用） 首先先随便生成一个图，初步了解一下networkx的使用 生成的图的效果如下图所示： 下面举几个关于networkx包的几个简单的例子： （1） G = nx.cubical_graph() plt.subplot(121) nx.draw(G) plt.subplot(122) nx.draw(G, pos=nx.circular_layout(G), node_color='r', edge_color='b') plt.show() #nx.draw(G
SECOND——论文与代码解析
xiaohu的博客
01-25 1587
基于 LiDAR 或基于 RGB-D 的目标检测被用于从自动驾驶到机器人视觉的众多应用中。一段时间以来，基于体素的 3D 卷积网络在处理点云 LiDAR 数据时被用于增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进稀疏卷积方法，该方法显着提高了训练和推理的速度。我们还引入了一种新形式的角度损失回归来提高方向估计性能和一种新的数据增强方法，可以提高收敛速度和性能。.............................................
Waymo SOTA！PillarNeXt：超越Voxel-based的点云检测网络
最新发布
CV_Autobot的博客
05-25 125
点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『3D目标检测』技术交流群论文作者|自动驾驶Daily编辑 | 自动驾驶之心写在前面&笔者的个人理解在自动驾驶系统中，感知任务是非常重要的一环，是自动驾驶后续下游轨迹预测以及运动规划任务的基础。作为一辆能够实现自动驾驶功能的汽车而言，其通常会配备环视相机传感器、...
3D Object Detection——Voxel based methods
qq_24505417的博客
09-25 745
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection VoxelNet 端到端的3D目标检测网络，且仅使用3D LIDAR 点云数据就可以得到很好的精度。 网络结构包含三个过程： 1. Feature learning network 构造3D 网格，对输入的点云数据栅格化。整个点云的大立方体的深度、高度和宽度分别为 (D,H,W)，每个体素的深高宽为 ( d , h , w ) ，各个坐标上生成的体..
VoxelNet-＞SECOND-＞PointPillars
W1995S的博客
04-02 2053
VoxelNet->SECOND->PointPillars 相比于图像，激光点云数据是 3D 的，且有稀疏性，所以对点云的前期编码预处理尤其重要，目前大多数算法都是在鸟瞰图下进行点云物体检测，由此对点云的编码预处理主要有两大类方法： 以一定的分辨率将点云体素化，每个垂直列中的体素集合被编码成一个固定长度，手工制作的特征，最终形成一个三维的伪图像，以此为代表的方法有 MV3D，AVOD，PIXOR，Complex YOLO； PointNet 无序点云处理方式，以此为代表的方法 Frustum
详解两阶段3D目标检测网络 Voxel R-CNN：Towards High Performance Voxel-based 3D Object Detection
10点43的博客
03-01 8282
今天介绍一篇两阶段的3D目标检测网络：Voxel R-CNN，论文已收录于AAAI 2021。 Voxel R-CNN论文链接为：https://arxiv.org/pdf/2012.15712.pdf 代码链接为：https://github.com/djiajunustc/Voxel-R-CNN
Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection
鱼遇的博客
01-21 670
1. Motivation point-base方法虽然识别率较高但是耗时过长;voxel-base方法虽然耗时较短但是识别率较差. 经过相关实验可以知道原始点的精确定位并不是必要的，更粗的体素粒度也可以为该任务提供足够的空间上下文线索； voxel-base 方法将3D特征结构转换为BEV之后，没有进行3D结构的恢复，缺乏对3D结构特征的利用。 2. Contribution 总结了point-base和voxel-base的缺陷，结合SECORD和PV-RCNN得出单靠BEV表示不能精确预测三维空
Advances in Real-Time Voxel-Based GI - GDC 2018.pdf
04-12
总的来说，《Advances in Real-Time Voxel-Based GI - GDC 2018》这篇论文为读者提供了关于如何在实时渲染中有效应用体素全局光照的最新研究和实践，对于游戏开发者和图形程序员来说，是一份宝贵的学习资源。
Voxel-based Extraction and Classification
09-03
在本文“Voxel-Based Extraction and Classification of 3-D Pole-Like Objects From Mobile LiDAR Point Cloud Data”中，作者提出了一种基于体素的三维杆状物体自动提取与分类方法，用于提升道路环境数字化地图的...
Voxel-based-Rendering-:CIS565最终项目
07-08
CUDA 中用于实时间接照明的体素渲染管道在查看我们的结果Dave Kotfis 和 Jiawei Wang CIS 565 最终项目 – 2014 年秋季目标 - 在 CUDA 中实现能够实时全局照明的体素渲染管道。 方法利用来自 NVidia 的开源 ...
MagicaVoxel-0.99.6.4-win64 像素模型工具
11-10
《MagicaVoxel-0.99.6.4-win64：像素世界的创意工坊》 MagicaVoxel是一款专为创作像素艺术和3D建模设计的免费软件，适用于Windows 64位操作系统。它以其简洁的界面、丰富的功能和易上手的操作性，深受广大像素艺术...
Voxel-Core：Godot游戏引擎的Voxel插件！
01-28
Voxel-Core是一款专为Godot游戏引擎设计的插件，旨在帮助开发者利用Voxel技术创建3D游戏。Voxel技术是一种将三维空间数据以体素（类似像素的三维单位）形式存储的方法，允许高效地处理大量3D数据，特别是在游戏场景...
论文阅读|基于点云的3D目标检测之SECOND，是对VoxelNet的改进
yanghao201607030101的博客
03-23 1688
SECOND是对VoxelNet的改进，其输入是点云，将点云离散化到体素之后，利用PointNet的VFE编码每个体素的特征构成稀疏的3D特征图，为了节约计算，利用稀疏3DCNN卷积中间层对此稀疏3D特征卷积，最后得到一个2维特征图，最后使用FPN检测头做定位、分类和定向三个子任务。
点云检测Second网络基本配置
简单点的学习点滴
09-06 1532
点云检测 SECOND 网络环境配置 1.如果有docker镜像可以用，建议别自己配置了，可能优点耗时 2.所成功配置并可运行的框架如下： 最好在Anaconda下建立个虚拟环境 cmake 3.15.2 python3.7 cuda 10.1 cudnn7.6.3 pytorch 1.2 pytorchvision 0.2.2 sparse conv 依赖包有(中间有import er...
数据预处理
....
05-17 533
文章目录数据预处理特征选择特征提取 数据预处理 特征选择 选择重要的属性集合 特征提取 对属性进行重新组合，获得新的属性
second
sfyjjc的博客
06-05 323
#include<stdio.h> float fun(float h,int n) { int i; for(i=0;i<n;i++) {h=h/2;} return h; } int main() {float high;int t; scanf("%f%d",&high,&t); printf(“high=%f\n”,fun(high,t)); return...
3D目标检测深度学习方法中voxel-represetnation内容综述（一）
水煮鱼的fish的博客
10-09 471
前言 笔者上一篇文章有介绍了3D目标检测中比较重要的数据预处理的两个方面的内容，其一是几种representation的介绍，分别是point、voxel 和grap三种主要的representation，具体的可以表示为如下（这里的grids即是voxel）。上一篇文章也分析了这三种representation的优缺点：（1）point-sets保留最原始的几何特征，但是MLP感知能力不及CNN，同时encoder部分下采样采用了FPS（最远点采样）（目前就采样方法的研究也挺多，均匀采样，随机采样或者.
SECOND笔记
ZzzCAREY的博客
12-24 440
1.背景 SECOND: Sparsely Embedded Convolutional Detection 在VoxelNet的基础上对其3D CNN的部分改进，引入稀疏卷积。 流程：体素特征提取——稀疏卷积中间层——RPN 2.贡献 1）在仅基于LiDAR的目标检测方法中应用稀疏卷积，增加了训练和推理速度。 2）提出稀疏卷积的方法，网络更快 3）提出角度损失回归，与其他方法相比有更好的方向回归性能。 4）提出新的仅基于LiDAR的数据增强方法 3.以下本文只描述SECOND与Voxel
SECOND 阅读
努力奋斗
01-20 227
SECOND: Sparsely Embedded Convolutional Detection Abstract 问题：推理速度慢和方向估计性能低。 我们研究了用于此类网络的改进稀疏卷积方法 引入了一种新形式的角度损失回归来提高方向估计性能 一种新的数据增强方法，可以提高收敛速度和性能 Introduction 为基于 LiDAR 的检测引入了空间稀疏卷积网络，用于在将 3D 数据下采样为类似于 2D 图像数据的东西之前从 z 轴提取信息。 使用点云数据的另一个优点是，通过对对象上的指定点应用直接变
Voxel-RCNN 与second
09-02
Voxel-RCNN和Second都是目标检测领域的深度学习模型。它们都可以在三维点云数据中进行目标检测，并且在一些公开数据集上表现得非常出色。Voxel-RCNN使用了体素化的方法来将点云数据转换成三维卷积所需要的体素表示，...
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