3D点云
文章平均质量分 84
小羊咩~
这个作者很懒,什么都没留下…
展开
-
【论文阅读】[CVPR2022]TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers
(1)当前面临的问题是什么以及原因?虽然sensor fusion在该领域越来越受欢迎,但是对劣质图像(inferior image)条件鲁棒性不好,(例如照明不佳和传感器未对准),现有的融合方法很容易受到这些条件的影响,主要是由于calibration matrices建立的 LiDAR points和image pixels的硬关联(hard association)。注 :calibration matrices标定矩阵:用于校准相机和LiDAR(2)作者提出的解决问题的方法作者.原创 2022-04-05 16:41:21 · 9847 阅读 · 10 评论 -
HVPR: Hybrid Voxel-Point Representation for Single-stage 3D Object Detection
Abstractvoxel-based 特征提取效率高,但无法保留对象细粒度3D结构point-based 更准确的表示3D结构,但提取这些特征计算成本很高本文介绍了一种具有voxel-basedh 和point-based特征优点的single-stage 3D检测方法,提出一种新的CNN架构,HVPR,将这两种的特征有效地集成到一个单一的3D表示中。具体而言,在point-based的特征上增加memory模块,以降低计算量。然后,聚合memory中的特征,在语义上类似于每个Voxel-b.转载 2022-03-29 15:01:53 · 489 阅读 · 0 评论 -
【论文阅读】SECOND: Sparsely Embedded Convolutional Detection
论文链接: https://www.researchgate.net/publication/328158485_SECOND_Sparsely_Embedded_Convolutional_Detection项目连接: https://github.com/traveller59/second.pytorch目录动机方法一、引言二、相关工作2.1. Front-View- and Image-Based Methods2.2. Bird’s-Eye-View-Base..原创 2022-03-24 21:25:33 · 900 阅读 · 0 评论 -
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud【翻译】
Abstract本文提出 PointRCNN 用于从原始点云进行 3D 对象检测。两个阶段stage-1 用于自下而上的 3D proposal生成我们的 stage-1 子网络不是像以前的方法那样从 RGB 图像生成proposal或将点云投影到鸟瞰图或体素,而是通过分割以自下而上的方式直接从点云生成少量高质量的 3D proposal将整个场景的点云分为前景点和背景。stage-2 用于在规范坐标中细化提案以获得最终检测结果stage-2 子网络将每个proposal 的池化点转原创 2022-03-03 16:36:28 · 3331 阅读 · 0 评论 -
3D Object DetectionFrom Point Cloud With Part-Awareand Part-Aggregation Network【翻译】
摘要基于激光雷达点云的3D目标检测是三维场景理解中的一个具有挑战性的问题,具有许多实际应用。在本文中,在原始工作PointRCNN基础上扩展到一种新颖且强大的基于点云的3D检测框架,即部分感知和聚合神经网络(Part-A2 net)。整个框架由部分感知阶段和部分聚合阶段组成。部分感知阶段:部分感知阶段首次充分利用源于3D地面真实框的免费部分监督,以同时预测高质量的3D提议和准确的目标内部分位置。在同一提议中预测的目标内部分位置由新设计的Rol感知点云池模块分组,从而有效的表示来编码每原创 2022-03-01 16:55:45 · 4566 阅读 · 0 评论