点云检测学习笔记2022

已于 2023-12-26 20:03:59 修改
阅读量1.3k 收藏 2
点赞数 1
分类专栏： 深度学习宝典 3D视觉 文章标签： 3d目标检测
于 2022-06-01 00:38:59 首次发布
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/jacke121/article/details/125072778
版权
本文介绍了点云检测的多个技术框架，包括mmdet、openpcdet、SECOND等，探讨了稀疏卷积、体素化方法如Point Pillars、CenterPoint，以及BEV投影的YOLO3D、PIXOR等。文章详细阐述了各框架的特点和运算机制，如基于RangeView的RangeDet和Range Sparse Net，以及采用图结构的Object DGCNN。
摘要由CSDN通过智能技术生成

目录

openpcdet

3D跟踪

SECOND

稀疏卷积

基于体素（3）Point Pillars

基于体素 ——CenterPoint

基于BEV投影 —YOLO3D/Complex-YOLO

基于BEV投影 PIXOR

基于RangeView -RangeDet

基于RangeView-Range Sparse Net

基于图结构——Object DGCNN

mmdet

openpcdet

GitHub - open-mmlab/OpenPCDet: OpenPCDet Toolbox for LiDAR-based 3D Object Detection.

lidar点云检测综述：

激光雷达：3D物体检测算法 - 知乎

点云物体检测算法的综述中提到了四个发展阶段。在最开始的萌芽期中，多视图的方法占据主流。视图（View），也就是点云数据的不同表示方法，常用的包括Bird's Eye View （BEV），Point View（PV）和Range View （RV）。

参见：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
点云检测笔记2022
jacke121的专栏
05-10 1419
Complex-YOLOv4 开源项目1： GitHub - maudzung/Complex-YOLOv4-Pytorch: The PyTorch Implementation based on YOLOv4 of the paper: "Complex-YOLO: Real-time 3D Object Detection on Point Clouds" 有预训练，代码是多卡训练的 开源项目2： Complex-YOLOv4和Complex Yolo v4 - tiny: Git..
3D点云检测笔记
jacke121的专栏
04-30 2025
https://github.com/hova88/Correction_OBB https://github.com/jacke121/Correction_OBB 通常，点云目标检测网络（如pointrcnn）出来的OBB与真实存在着些许误差，本仓库利用PCA配合BallTree算法对已知的OBB进行修正，效果喜人 感觉速度会增加 ost Detector 应用主成分分析法与临近点查询相结合，进行包围盒矫正 pip install numpy pyobb sklearn ope....
点云目标检测
weixin_39174856的博客
09-17 2844
采集 3600360^03600的数据为一帧，最多包涵32*(360/0.2)=57600. 水平32条线，转动角分辨率0.2。 但是由于天空等无法获得点云，实际得到约40000个点。 VoxelNet： 两个过程：Voxel Feature Extraction 提取特征。第二个是目标检测过程。 两个问题：三维卷积复杂度高，voxedl数量大会引入错误。 PointNet++ 尝试通过聚类建立点与点的拓扑，在聚类中心学习特征。问题：点云中很难根据一个点确定物体的中心。 鸟瞰图 把不同高度点云的特征信息转.
深度学习的点云检测
weixin_42605076的博客
06-12 1328
深度学习在点云检测中的应用取得了显著的进展，通过使用各种神经网络架构，能够高效地处理和分析点云数据。尽管面临数据无序性、稀疏性和高维性的挑战，但随着算法和计算资源的不断进步，点云检测技术在多个领域展现出了广阔的应用前景。通过有效的数据增强和预处理技术，可以进一步提升点云检测模型的鲁棒性和准确性。
一种投影法的点云目标检测网络
3D视觉工坊
03-23 1081
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达文章导读本文来源于早期的一篇基于投影法的三维目标检测文章《An Euler-Region-Proposal for Real-time...
Pointpillars三维点云实时检测
slamer111的博客
09-03 5706
实现实时检测的pointpillars
KITTI点云数据详细分析学习笔记
01-12
KITTI点云数据详细分析学习笔记 KITTI点云数据集是由安德烈·盖勒（MPI Tübingen）、菲利普·伦茨（KIT）和克里斯托夫·施特勒（KIT）等人创建的，旨在为三维目标检测提供一个高质量的数据集。该数据集包含7481个...
java 点云数据处理_点云数据处理学习笔记
weixin_35288487的博客
02-13 1379
三维计算视觉研究内容包括：(1)三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有最近点迭代算法 ICP和各种全局匹配算法。(2)多视图三维重建：计算机视觉中多视图一般利用图像信息，考虑多...
点云目标检测：数据增强技术的可视化和使用经验
web_bug407的博客
09-26 174
通过可视化数据增强的效果，我们可以更好地理解和评估不同的增强方法。在使用数据增强时，需要根据具体任务和数据集的特点来选择合适的增强方法，并进行参数调整和数据平衡。本文将详细介绍数据增强的可视化方法，并分享一些在点云目标检测中使用数据增强的经验。数据增强可视化是一种直观的方法，可以帮助我们理解和评估不同的数据增强技术。通过可视化增强前后的数据样本，我们可以观察到增强方法对点云的影响。数据平衡：在进行数据增强时，需要确保不同类别的目标物体在增强后的数据集中仍然保持平衡。
VoxelNet点云检测详解
热门推荐
NNNNNathan的博客
02-28 1万+
1、前言 精确的点云检测在很多三维场景的应用中都是十分重要的一环，比如家用机机器人、无人驾驶汽车等场景。然而高效且准确的点云检测在pointnet网络提出之前，一直没能取得很好的进展，因为传统的手工点云特征提取没有很好的泛化性能。所以VoxelNet是一个端到端的点云检测模型。直接使用深度学习完成对点云的特征提取；同时，这也使得网络更加高效。这个模型在当时的KITTI点云检测中也取得了SOTA的成绩。 VoxelNet: End-to-End Learning for Point Clo...
【计算机科学】【2016.09】三维点云中的目标检测
01-15
本文为德国弗里恩大学（作者：ChristianDamm）的硕士论文，共54页。 随着自动驾驶车辆的不断普及，避障等挑战变得越来越重要。为了实现避障，可靠的障碍物检测是前提条件之一。虽然普通的自动驾驶车辆主要使用相机和雷达传感器来实现这一目的，但是目前激光测距传感器正在逐渐作为可实施的替代方案。由于激光传感器的精度很高，在不同的工业领域中得到了广泛的应用。通常，传感器数据被用作点云的形式。在本篇硕士论文中，提出了一种基于点云的障碍物检测方法。因此，进行可靠障碍检测的几个子任务，如下采样和平面分割等得到了实现。最后，提出了一种基于线性卡尔曼滤波的障碍物跟踪算法，在自动驾驶车辆MadeInGermany（MIG）的多个测试驱动器内进行了实验评估。
Introduction to 3D Object Detection with Lidar
Leon_yixiao的博客
07-06 859
深度学习的开始 人类的大脑是一个神秘的器官，它由无数的神经细胞组成，神经细胞又有突触，轴突，树突等组成，至今我们还未对大脑如何工作研究的十分清楚。1943年，美国数学家沃尔特·皮茨（W.Pitts）和心理学家沃伦·麦克洛克（W.McCulloch）在发表论文《神经活动中内在思想的逻辑演算》中，提出了MP模型。MP模型是模仿神经元的结构和工作原理，构成出的一个基于神经网络的数学模型，本质上是一种“...
3D点云目标检测-PointPillars算法解析
weixin_51021488的博客
05-30 1671
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！
点云处理【四】(点云关键点检测)
略知12的博客
10-20 2269
Harris关键点检测通过计算每个点的协方差矩阵，求解特征值和特征向量，来判断该点是否为关键点。它通过在多个尺度下对点云进行高斯滤波和差分操作，来提取稳定性和尺度不变性的关键点。它通过将点云投影到二维图像上，并计算每个像素周围梯度直方图，来寻找具有唯一性和重复性的关键点。ISS 关键点通过计算每个点与其近邻点的曲率变化，得到该点的稳定性和自适应尺度，从而提取稳定性和尺度合适的关键点。我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。//关键点估计的近邻搜索半径。
点云3D检测篇一：pointnet、pointnet++
最新发布
weixin_50206562的博客
07-08 896
（1）核心贡献点：使用torch.max最大池化消除了网络对点云顺序敏感的问题。（2）通过T-Net网络 进行旋转矩阵预测，解决了点云的无序性问题。与其他主流点云网络不同，只是做了全局信息的融合，并没有考虑到局部的语义。（4）点对之间的特征关系并没有考虑。PointNet++的局部特征提取与PointNet基本相同，都是通过一个torch.max（最大池化）来实现局部特征提取的。在代码中，使用了pointnet来完成整个流程。
3D点云异常检测数据集 | Real3D-AD: A Dataset of Point Cloud Anomaly Detection
m0_63828250的博客
03-17 2681
本文介绍了Real3D-AD，一个旨在解决高精度点云异常检测领域现有限制的挑战性数据集。尽管高精度点云异常检测被认为是识别先进加工和精密制造缺陷的黄金标准，但数据集的稀缺和缺乏系统性基准测试阻碍了该领域的发展。Real3D-AD通过提供1,254个高分辨率3D物品（每个物品从四万到数百万个点）成为迄今为止最大的高精度3D工业异常检测数据集，其点云分辨率（0.0010mm-0.0015mm）、360度全覆盖和完美原型等特性超越了现有的3D异常检测数据集。
3D点云检测神技 | UFO来了！让PointPillars、PV-RCNN统统涨点！
CV_Autobot的博客
01-16 617
作者|AI驾驶员 编辑| 智驾实验室点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群本文只做学术分享，如有侵权，联系删文在这篇论文中提出了一个关于在3D点云中检测未知前景物体（UFO）的新问题，这是自动驾驶在野外中的一个关键技术。UFO检测具有挑战性，因为现有的3D目标检测器在3D定位和Out-of-Distribution...
3D 点云检测 自动驾驶场景
dalong_95的博客
11-04 336
记录学习的过程以及学习的资源, 只记录关键框架,方便复习. 防止混淆概念. 如有错误, 指正即可, 勿喷谢谢. 虽然是个菜鸟但也要努力提升自己 2017 年 PointNet 平移不变性如何获得?靠T-Net,类比点的仿射变换 原版PointNet几层?总共5层 segmentation需要在PointNet基础上做哪些改动?将global的信息 concat回每个点的feature去 PointNet主要操作:全连接+maxpooling...
AAAI 2022 | SASA：重新思考3D目标检测中的点云采样问题
阿木寺的博客
03-01 1096
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达自动驾驶技术近年来迅速发展，其中无人车对周围环境的感知是最为重要的一个环节。为了保障行车安全，场景感知模块需要在三维环境...
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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