PointPillars阅读笔记

最新推荐文章于 2024-05-30 19:17:05 发布
最新推荐文章于 2024-05-30 19:17:05 发布
阅读量977 收藏 6
点赞数 1
文章标签： 计算机视觉
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/github_38763455/article/details/112218251
版权

文章贡献

  1. 使用柱子(PointPillars)而不是体素(voxel)来组织点云数据，从而忽略了Z轴方向上的差异，将3D的空间转为2D空间进行处理。
    在这里插入图片描述

点云数据组织方式

设定空间的柱子。
将所有点组织为9维的特征向量: ( x , y , z , x c , y c , z c , x p , y p ) (x,y,z,x_c,y_c,z_c,x_p,y_p) (x,y,z,xc​,yc​,zc​,x

最低0.47元/天 解锁文章
RRRRRRian
关注
【三维目标检测】Pointpillars（二）
叶子的博客
07-20 5632
PointPillars是一种基于体素的三维目标检测算法，发表在CVPR2019《PointPillars它的主要思想是把三维点云转换成2D伪图像以便用2D目标检测的方式进行目标检测。PointPillars在配置为Inteli7CPU和1080tiGPU上的预测速度为62Hz，在无人驾驶领域中常常能够使用上它，是一个落地且应用广泛的一个3D快速目标检测网络。.........
论文阅读笔记 | 三维目标检测——PointPillars算法
Clichong
11-25 1494
PointPillars的出发点同样与SECOND一样，希望改进VoxelNet所使用3d卷积计算量太大推理速度太慢的问题。鉴于此，SECOND提出了稀疏卷积来提高普通3d卷积的推理速度，但是任然无法避免3d卷积的庞大计算量，没有从根本上解决这个问题，仍然需要使用计算昂贵的3d卷积操作。这个问题的核心本质是SECOND与VoxelNet将点云量化为三维空间上的一个个Voxel，所以3d卷积是无法避免的。 为了从根本上解决3d卷积的问题，PointPillars提出了一种新颖的量化方法（paper中写到是e
3D点云目标检测-PointPillars算法解析
最新发布
weixin_51021488的博客
05-30 1381
文章将点云数据转为点柱形式，以伪图像特征进行特征编码，避免了复杂的3D卷积的影响，提高了3D目标检测的速度，代码实现中还有不少细节值得解析，如为了防止角度抖动，增加的角度回归时的方向偏移值、 进行iou计算时所用到的部分面积求解相关数学公式。（叉乘、点乘相关数学性质！本人水平有限，若存在错误，请各位指正！
PointPillars
erzayi的博客
11-25 1564
PointPillars: Fast Encoders for Object Detection from Point Clouds CVPR 2019 ​ 点云中的目标检测是许多机器人应用程序（例如自动驾驶）的重要部分。在本文中，我们考虑将点云编码为适合下游检测pipeline的格式。 最近的文献提出了两种类型的编码器。 固定编码器趋向于快速但牺牲准确性，而从数据中学习的编码器则更准确，但速度较慢。 在这项工作中，我们提出了PointPillars，这是一种新颖的编码器，它利用PointNets学习在v
3D目标检测 | PointPillars论文和代码解析
3D视觉工坊
04-22 2779
作者丨周威@知乎来源丨https://zhuanlan.zhihu.com/p/357626425编辑丨3D视觉工坊1 前言本文要解析的模型叫做PointPillars，是2019年出自工...
【论文+代码阅读】PointPillars
热门推荐
有所为，有所成长
08-24 2万+
Brief 这篇文章整的来说是在前人的工作上做的，所以更偏向于改进。就个人感觉，目前3D方面使用2D卷积有两种形式： 类似mv那种，使用对3D的投影得到其2维的图像，再使用2D CNN，这样做无疑是会出现信息损失的，另外呢，先把3D点云分割成若干个体素小块，再把点个数当做二维像素值，再使用2D CNN结构，这又只使用了密度信息，没有局部几何信息。都是不太好的。 第二种呢就是先对点的局部提取点特征...
PointPillars理解
qq_40719268的博客
06-09 4649
PointPillar网络是工业界中速度较快、性能较优的点云目标检测算法，它主要有三个子网络组成，将三维点云转化的伪图像，然后按照图像处理思路来处理点云。
论文阅读笔记 | 三维目标检测——VoxelRCNN算法
Clichong
11-25 1919
现有很多的point-based检测器获得比较好的效果，精确度要比voxel-based检测器要好，为此不少观点认为原始点云中的精确位置信息对于精确的目标定位是至关重要的。VoxelRCNN的动机就是能否保持voxel-based方法速度优势下，获取与point-based方法相当的性能，希望在准确性和效率之间取得平衡。作者通过实验分析，发现现有voxel-based方法的主要缺点是将3d特征体转换为BEV表示，而从未恢复3D结构上下文，这样就找到了需要提高的方向。对于voxel-based的方法，BEV表
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1575
基于voxel（paper中提到的是grid-based）的方法计算效率更高，但不可避免的信息损失降低了细粒度定位精度；而基于point的方法计算成本更高，但是通过PointNet++中的SA层（set abstraction layer）可以实现更大的感受野（这种说法是首次提出的）。 PV-RCNN的想法也是同时结合这两种方法的优势，取其所长，利用voxel-based操作进行有效的多尺度信息编码，生成高质量的3d候选框；同时利用改进的set abstraction模块操作保留精确的位置信息和灵活的感受
论文阅读笔记 | 三维目标检测——PartA2算法
Clichong
11-25 1658
PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。**在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。在现有的研究下，其实并没有完全的将3d标注框的信息完全利用上，这种前景点在标注框的分布信息是有利于提高3d检测网络的性能的。
【激光雷达3D（2）】【论文翻译】PointPillars: Fast Encoders for Object Detection from Point Clouds
Hali_Botebie的博客
04-20 1532
https://arxiv.org/abs/1812.05784 PointPillars：用于从点云进行对象检测的快速编码器 概述 In this paper we consider the problem of encoding a point cloud into a format appropriate for a downstream detection pipeline. 本文考虑将点云编码为适合下游检测管道的格式的问题。 两种编码器 最近的文献表明，编码器有两种类型： 固定编码器（ fixe
PointPillars 论文翻译（持续更新）
lb5482464的博客
08-17 237
PointPillars论文翻译
point_pillars 安装
qq_40297851的博客
11-11 952
1。看好库的要求。 1。下载cuda10.0 https://developer.nvidia.com/zh-cn/cuda-downloads?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=deblocal 根据官网要求安装就行。 安装deb失败了，下的runfile安装。 2。下载cudnn 7.3.1 下载第一个 cudnn ..
【PointPillars 解读】用于点云目标检测的快速编码器
不积跬步，无以至千里！
08-28 9403
本文提出了一种新的用于 3D 目标检测的方法 PointPillars，它利用 PointNets 来学习组织在垂直列中的点云表示。
PointPillars：基于点云的快速目标检测网络
weixin_44103355的博客
11-03 9831
PointPillars简介 PointPillars是一个基于点云的快速目标检测网络，在配置为Intel i7 CPU和1080ti GPU上的预测速度为62Hz，在无人驾驶领域中常常能够使用上它，是一个落地且应用广泛的一个3D快速目标检测网络。 ...
【3D目标检测】PointPillars: Fast Encoders for 3D Object Detection from Point Clouds
David's Tweet
09-22 395
参考：《pointpillar 维度分析：location loss》 前言 1. 为什么要做这个研究？ 作者认为采用3D卷积会大大降低处理速度，浪费计算资源。2. 实验方法是什么样的？ •从俯视图划分成H×W个格子，每个格子作为一个柱子，共有P根非空的柱子，每个柱子最大点数为N，每个点取D个维度，得到[D,P,N]； •对每个柱子采用PointNet提取特征得到[C,P,N]，再对点N最大池化为[C,P]，P=H×W，因此得到2D伪图像[C,H,W]； •使用top-down网络捕获不同.
PointPillars 学习笔记
W1995S的博客
03-08 1525
PointPillars: FastEncodersforObjectDetectionfromPointClouds
PointPillars阅读及博客
mooooop的博客
12-23 604
项目地址 https://github.com/traveller59/second.pytorch https://github.com/nutonomy/second.pytorch 代码阅读: https://blog.csdn.net/weixin_40805392 坑： https://blog.csdn.net/qq_35515203/article/details/103887545 https://zhuanlan.zhihu.com/p/73853535 https://blog.csdn
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