本文总结了Frustum PointNets和PointRCNN两篇3D目标检测论文，探讨了如何利用2D目标检测器筛选区域，再通过3D深度学习进行物体定位。重点介绍了坐标系转换在简化计算和提升检测效果中的作用，并对PointRCNN的two-stage网络结构进行了解析，强调了局部特征和全局特征融合的重要性。
这篇博客主要是大致总结一下我最近看的两篇3D目标检测的论文Frustum PointNets和PointRCNN。我本科毕业设计做的是点云物体分类算法的研究，最近提前进入了研究生生活，目前在看三维物体的目标检测，主要觉得纯粹的点云物体分类在实际应用中的意义不是很大，真正贴合实际的是大型室外场景的点云语义理解或三维目标检测。但也不能说点云物体的分类毫无用处，有些3D目标检测算法正是在分类算法的基础上提出的，比如我接下来正要说的Frustum PointNets。
Frustum PointNets
这篇论文的作者相信大家也很熟悉了，正是提出了PointNet和PointNet++的斯坦福大学博士Charles R. Qi，实打实的大佬一枚。
由于室外场景点云数据的量很庞大，因此直接对三维物体进行搜索太过浪费时间和资源。Frustum PointNets的思想是，首先利用先进的二维目标检测算法得到物体在图像上的选框（proposal），其次根据视觉原理确定物体在三维场景中的四棱台区域，然后利用PointNet网络在四棱台区域里将物体分割出来，最后利用PointNet++网络确定物体的准确位置。算法的核心思想就是化繁为简，既然PointNet和PointNet++没法对大型室外场景的点云数据进行处理，就先通过一个成熟的2D目标检测器把物体可能存在的区域范围缩小，再结合先进的3D深度学习进行物体定位。这种2D结合3D的方法的确具有很强的代表性，后面还会遇到不少同类型的算法。</
最低0.47元/天 解锁文章
扫一扫
4424
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
