Voxel-Map论文阅读

论文阅读记录

感谢开源工作者!
论文名称:Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
github地址:https://github.com/hku-mars/VoxelMap

论文阅读记录

论文阅读主要记录了文章的创新内容或者流程性内容:
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

代码调试记录

我的电脑环境是Ubuntu20.04,代码编译起来没问题,但是运行的时候线程会die,把CXX标准修改为17就可以正常运行了。
修改前CMakeList文件:

ADD_COMPILE_OPTIONS(-std=c++14 )
set( CMAKE_CXX_FLAGS "-std=c++14 -O3" )

add_definitions(-DROOT_DIR=\"${CMAKE_CURRENT_SOURCE_DIR}/\")

set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS} -fexceptions" )
set(CMAKE_CXX_STANDARD 14)

修改后CMakeList文件:

ADD_COMPILE_OPTIONS(-std=c++17 )
set( CMAKE_CXX_FLAGS "-std=c++17 -O3" )

add_definitions(-DROOT_DIR=\"${CMAKE_CURRENT_SOURCE_DIR}/\")

set(CMAKE_C_FLAGS "${CMAKE_C_FLAGS} -fexceptions" )
set(CMAKE_CXX_STANDARD 17)
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 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,而Second则使用了基于二维卷积的方法来处理点云数据。此外,Second还提出了一个新的点云数据预处理方法,可以提高模型的性能。总的来说,这两个模型在三维目标检测领域都是非常有价值的研究成果。 ### 回答2: Voxel-RCNN和SECOND都是目标检测领域的算法,用于检测和定位图像或点云中的物体。下面分别介绍这两种算法。 Voxel-RCNN是一种基于点云的目标检测算法。它采用了多阶段的流程来处理点云数据。首先,它将点云数据划分为体素(Voxel)并生成体素特征。然后,通过3D卷积神经网络对体素特征进行处理,提取更高级和语义化的特征。接下来,使用非极大值抑制(NMS)方法对候选框进行筛选和合并,最终得到准确的目标检测结果。相比于传统的基于图像的目标检测算法,Voxel-RCNN能够更好地处理点云数据的稀疏性和不规则性,具有更好的准确性和鲁棒性。 SECOND是一种基于图像和点云融合的目标检测算法。它结合了基于图像的二维目标检测和基于点云的三维目标检测的优势。首先,SECOND在图像中使用传统的二维目标检测算法(如Faster R-CNN)来检测和定位物体。然后,通过使用点云数据对图像中的物体进行三维重建,得到更精准的物体信息。接着,SECOND使用体素化的点云数据,在三维空间中对物体进行定位和检测,从而提高检测的准确度和鲁棒性。相比于仅使用图像或点云进行目标检测的算法,SECOND能够充分利用两者的优势,获得更全面和准确的检测结果。 总结而言,Voxel-RCNN和SECOND都是目标检测的算法,但其所处理的数据类型和方法有所不同。Voxel-RCNN主要用于处理点云数据,采用多阶段处理流程。而SECOND则结合了图像和点云数据,利用图像进行二维目标检测,再结合点云进行三维重建和检测。这两种算法都在目标检测领域有着卓越的性能和应用价值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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