![](https://img-blog.csdnimg.cn/20190918140158853.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
3D目标检测
文章平均质量分 70
分享3D检测领域的最新研究进展。
leo0308
AI攻城狮
展开
-
深度相机(3D相机)
传统的RGB彩色相机称为2D相机, 只能得到2D的图像信息, 无法得到物体与相机的距离信息,也就是深度信息。顾名思义, 深度相机除了获取2D信息,还能得到深度信息,也叫RGBD相机, 或3D相机。顺便提一句, 当前也有很多工作基于2D相机, 通过算法的方式估计深度, 但一般效果不如通过深度相机直接获取。原创 2024-04-20 11:04:13 · 1510 阅读 · 2 评论 -
安装Opnepedet报错解决
cuda toolkit版本: Cuda compilation tools, release 11.5, V11.5.119。torch 版本: 1.11.0+cu115。gcc版本:10.5.0。原创 2024-03-02 11:03:46 · 707 阅读 · 0 评论 -
毫米波雷达与图像融合之CRF-Net
image检测虽好, 但是在恶劣天气面前表现就不行了, 而radar的特性刚好可以弥补这一点。这篇文章的出发点是为了融合radar和image, 从而提升image检测的表现。原创 2022-12-06 12:08:56 · 1464 阅读 · 0 评论 -
CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detection 解读
自动驾驶的感知应用中, 通常会融合多模态传感器, 如lidar和camera的融合。 单纯基于radar做感知的研究工作很少, 用radar的场景一般都是和其他传感器进行一个融合。 本文要讲的CenterFusion就是一篇融合Camera和Radar的工作。原创 2022-12-05 23:11:35 · 853 阅读 · 0 评论 -
3D目标检测总结
3D目标检测最主要的应用领域是自动驾驶,主流用的传感器是camera和lidar, 一般车上也会配备很多radar, 但是在检测中一般很少用到radar。原创 2022-12-05 18:41:06 · 1189 阅读 · 0 评论 -
激光雷达介绍
激光雷达基本介绍及应用。原创 2022-07-09 18:01:29 · 2308 阅读 · 0 评论 -
KITTI数据集可视化
KITTI数据集可视化原创 2022-06-01 11:02:56 · 1501 阅读 · 0 评论 -
NMS理解
0 NMS介绍NMS(Non-maximum suppression)是非极大值抑制, 目的是过滤掉重叠的框。 为了保证检测的准确性, 检测网络的输出框一般都比较密集, 对一个物体, 会有多个预测框,NMS就是为了过滤掉这些重复的框, 保留质量最好的那一个框。1 算法1 首先对所有检测框按分类置信度进行排序, 选取置信度最高的那个框, 加入候选框集合;2 删除掉与候选框IoU大于某个阈值的框(大于阈值的说明与候选框是重复的,而已经选出来的候选框质量更高被保留);3 对剩余的框重复执行步骤1和2,原创 2022-04-26 19:35:53 · 1773 阅读 · 0 评论 -
PointRCNN解读
论文:PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud代码:https://github.com/sshaoshuai/PointRCNN0 引言PointRCNN 是第一个只基于3D点云的两阶段3D检测方法。1 网络结构第一阶段,通过PointNet++ 进行特征的提取,基于提取到的特征可以进行前景和背景的分割, 在每个前景点上进行3D框的预测。 这一步预测是比较粗糙的, 主要是为了提取出proposa原创 2022-04-16 11:41:37 · 634 阅读 · 1 评论 -
3D点云的深度学习综述
0 引言主要总结了3D点云的三类主要任务:3D形状分割, 3D检测和跟踪, 3D点云分割, 并且只关注深度学习方法的应用。全局思维导图:1 常用数据集2 3D形状分类主要网络及发展历程:主要网络在ModelNet10/40 上的benchmark结果:3 3D目标检测和跟踪3.1 检测主要网络及发展历程:典型的网络结构图:主要网络在KITTI上的Benchmark结果:3.2 跟踪4 3D点云分割4.1 3D语义分割主要网络及发展历程:语义分割的benchma原创 2022-04-09 18:01:12 · 2219 阅读 · 5 评论 -
单目3D目标检测网络SMOKE解读
论文: SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation代码: https://github.com/lzccccc/SMOKE0 引言现有的单目3D目标检测基本都是2阶段的, 首先基于2D目标检测生成目标的2D候选区域, 然后针对获取到的2D候选区域预测目标的位置姿态等。 论文认为2D检测是不必要的, 甚至会引入不必要的噪声。 如果已知目标的3D属性和相机的内参, 根据几何投影关系是可以得到2D属性的,原创 2022-04-08 19:54:05 · 4734 阅读 · 0 评论 -
单目3D目标检测方法CaDDN解读
论文:Categorical Depth Distribution Network for Monocular 3D Object Detection代码:https://github.com/TRAILab/CaDDN0 引言单目3D检测的最大难点在于深度的估计,精确的深度估计是非常困难的, 已有的方法大多估计都不准。 CaDDN 主要的贡献也是在深度估计上, 它的思想是既然精确地深度估计很困难, 那就估计一个大概的深度范围。 具体而言, 就是不直接回归连续的深度值, 而是把深度离散化为一些范围,这原创 2022-04-07 22:43:39 · 3773 阅读 · 0 评论 -
PointPillars解读
论文: PointPillars: Fast Encoders for Object Detection from Point Clouds0 简介介绍PointPillar之前, 先简要介绍一下voxel-based检测方法的发展历程。VoxelNet是第一个将点云转换为体素(voxel)进行3D目标检测的, 但是由于3D卷积的使用, 性能非常低。 SECOND主要把3D卷积换成了更高效的稀疏卷积, 并且增加了一些数据增强, 在性能上有比较大的提升。 虽然使用了稀疏卷积, 但3D的卷积依然比较耗费资源原创 2022-04-07 14:18:36 · 8445 阅读 · 7 评论 -
VoxelNet深入解读
论文:VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection代码:0 介绍在基于激光雷达点云的3D检测方法中, 有两类常见的算法, 一种是Point-based, 即直接基于原始的点云数据进行操作; 另一类是Voxel-based,通过把原始的点云数据处理成规则的voxel, 从而可以使用传统的CNN等方法。 VoxelNet就是voxel-based 的经典模型。1 网络结构整体的网络结构非常简单, 主要包原创 2022-03-28 22:06:41 · 2731 阅读 · 2 评论 -
PointNet介绍
论文:PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation代码:https://github.com/charlesq34/pointnet0 引言PointNet是处理点云数据的深度学习模型,其地位堪比2D图像处理中的CNN网络, 后续的诸多点云数据处理的深度网络都有PointNet的影子。1 点云数据介绍既然PointNet处理的是点云数据, 那么首先需要先知道点云数据是长什么样子。 其实所谓点原创 2022-03-25 21:20:53 · 10298 阅读 · 0 评论 -
PointNet++深入解读
论文:PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space代码:0 引言PointNet++ 是PointNet的改进版。 PointNet的一个很大的缺点是无法获得局部特征,在复杂任务(如分割等)上的表现并不是很好。这个跟PointNet的结构设计有很大关系, PointNet把一个点云中的所有点当做一个整体, 直接提取了一个全局特征, 缺乏局部点之间的关联。PointNet++非常核心的一点原创 2022-03-29 20:33:24 · 2835 阅读 · 0 评论