PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection

最新推荐文章于 2024-01-22 11:34:44 发布
最新推荐文章于 2024-01-22 11:34:44 发布
阅读量265 收藏
点赞数
文章标签： 目标检测 计算机视觉 人工智能
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/qq_39791748/article/details/126128452
版权
PV-RCNN针对3D对象检测提出了一种结合体素和点云优势的方法。它通过体素预处理获取候选区域，再利用点云精炼坐标位置。网络包含两分支，上分支处理体素，下分支处理关键点。通过Predicted Keypoint Weight调整关键点权重，并使用RoI-grid Pooling进行特征聚合。实验表明该方法有效。
摘要由CSDN通过智能技术生成

在这里插入图片描述
paper

code

问题以及创新点

问题

  1. Voxel的方法由于对原始点云做了预处理，虽然能够更有效的提取候选区域，但不够准确
  2. 基于点云的方法，相对位置更加准确，但内存消耗比较大

创新点

  1. 充分利用两种方法的优势，通过voxel有效地获取目标候选区域，通过点云对坐标位置进行更精准的refine。

网络架构

在这里插入图片描述
整个网络包含了两个分支。
上分支：

 - 原始点云
 - 体素化
 - 3D Sparse convolution提取特征，并完成1×,2×， 4× ，8×下采样。
 - 转化为鸟瞰图
 - RPN预测 3Dbbox

下分支：

 - 分别以原始点云，以及各层下采样的提速化，BEV作为输入
 - 通过PointNet++ 中
最低0.47元/天 解锁文章
&相守年华。
关注
论文解读：PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_44973419的博客
10-05 1037
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection 目录PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object DetectionAbstraction：Method：1 PV-RCNN for Point Cloud Object Detection1.1 3D Voxel CNN for Effificient Feature Encoding and Pr
【3D目标检测】PV-RCNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
毛毛的博客
05-15 771
文章目录前言摘要1.介绍2.PV-RCNN for Point Cloud Object Detection2.1 3D voxel CNN高效特征编码和proposal生成3.2 Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction3.结果5. 总结 前言 1. 实验方法是什么样的？ 2. 得到了什么结果？ 文章的特征提取方式充分结合了voxel-based和point-based两种方法的优点，3D voxel卷积可以高效地编码多尺度特
【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
冯子材的博客
06-01 1174
摘要 提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案
论文阅读 PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
Qin_酱的博客
05-31 897
PV-RCNN 论文地址 标题： PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection 作者：Shaoshuai Shi Chaoxu Guo Li Jiang Zhe Wang Jianping Shi Xiaogang Wang Hongsheng Li 来源：CVPR2020
pv-rcnn: point-voxel feature set abstraction for 3d object detection
04-10
Q：b'pv-rcnn: 3D目标检测的点 - 体素特征集抽象。' A：pv-rcnn是一种针对3D目标检测的算法，它使用点云和体素特征集来检测三维物体。它的主要思路是先将点云张量化，再将点云分割成体素，并对每个体素进行特征提取...
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection阅读
努力奋斗
01-20 2459
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection Abstract 我们提出的方法深度集成了 3D 体素卷积神经网络 (CNN) 和基于 PointNet 的集合抽象，以学习更多有区别的点云特征。它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活感受野。首先，通过一个Set abstraction层将3D场景下的点云通过3D VoxelCNN转换成一组关键点，以节省后续计算和编码表示场景特征
【论文阅读】【三维目标检测】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
麒麒哈尔的博客
02-10 1万+
文章目录PV-RCNNRPNBackbone: 3D Sparse ConvolutionClassification & Regression HeadVoxel Set Abastraction Module（VSA）起因VSA ModulePKW Module（Predicted Keypoint Weighting）RCNN实验思考 本论文目前是KITTI排名第一，香港中文大学和商...
【论文阅读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
Elodie Shan
09-14 603
【论文阅读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection 模型名称：PV-RCNN Point-Voxel Feature Set Abstraction for 3D Object Detection 主要贡献和特点 PC-RCNN模型在特征提取中结合了基于voxel的方法和基于point的方法，取得较好的目标检测结果; 3D voxel方法仅提取局部特征，但卷积高效 point-based方法计算量大，但感受
完美搞定思科CCNA级别所有基础知识点 二十五个综合大实验
01-19
完美搞定思科CCNA级别所有基础知识点 二十五个综合大实验,图文超过350多页
【论文解读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
最新发布
lwk___123的博客
01-22 1627
我们提出了一种新的高性能3D对象检测框架，称为PointVoxel RCNN（PV-RCNN），用于从点云中精确检测3D对象。我们提出的方法深度集成了三维体素卷积神经网络（CNN）和基于PointNet的集合抽象，以学习更具判别力的点云特征。它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活感受野。具体而言，所提出的框架通过新颖的体素集抽象模块将具有3D体素CNN的3D场景总结为一小组关键点，以节省后续计算并对代表性场景特征进行编码。
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection（group的是关键点周围的体素，而不是周围的点）
bryantforever的博客
10-21 316
1.动机 为了学习更区别的点云特征，我们将3D体素卷积网络和基于PointNet的方法提取特征相结合。既可以利用3D体素卷积网络高效的学习和高质量的建议，又利用了基于PointNet的网络的灵活感受野的优势。 2.怎么做的 首先采用稀疏3D体素卷积进行有效的特征编码并产生建议，为了更有效的池化3D建议对应的特征，我们用了两种新的操作：voxel-to-keypoint scene encoding：将场景中的所有体素汇总成少量关键点；point-to-grid RoI feature abstraction
解读：PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_42608406的博客
10-20 785
文章目录1.摘要2.Introduction3.网络结构3.1用于有效特征编码和建议生成的3D Voxel CNN3.2.通过voxel set abstraction进行voxel到关键点场景编码3.3.扩展的VSA模块3.4.预测关键点权重3.5.key point-to-grid RoI特征抽象用于proposal refinement4.损失 1.摘要 提出了一种新颖的高性能3D对象检测框架，名为Point Voxel-RCNN（PV-RCNN），用于从点云中进行精确的3D对象检测。提出的方法将3
《论文阅读》PF-Net:Point Fractal Network for 3D Point Cloud Completion
未知丶的博客
10-13 1741
留个笔记自用 Visual-textual Capsule Routing for Text-based Video Segmentation 做什么 做了什么 怎么做 总结
详解两阶段3D目标检测网络PVRCNN：Point-Voxel Feature Set Abstraction for 3D Object Detection
10点43的博客
09-10 3241
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Ma.
一文读懂PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
hughlee815的博客
06-23 2838
为了致敬*一文读懂Faster RCNN*，本文取名如此。希望能帮助大家以轻松的姿态理解这一霸榜kitti大半年的3D目标检测算法。 0. 立论依据 按照点云的前处理方法划分，通常3D目标检测可以分为基于体素和基于点的方法。文中提到二者有其各自的特点：基于体素的方法能有效地进行region proposal，但是感受野受到卷积核大小的限制。而基于点的方法恰好能够获得灵活的感受野，更捕获更精确的上下文信息。（？？此处迷惑，即使是基于体素的方法的感受野难道不是随着卷积层数的增加而逐渐扩大的吗？？讲真，大家都说二
[论文阅读]PV-RCNN——基于Point-Voxel特征集抽象的3D目标检测
热门推荐
qq_53909832的博客
09-13 1万+
PV-RCNN论文阅读
Point-Voxel CNN：Point-Voxel Feature Set Abstraction for 3D Object Detection
weixin_41271939的博客
04-25 1027
其实PVCNN这篇论文十分好理解，采用的模型也十分简单，就是通过卷积的方法去提取局部特征，然后通过插值进行上采样，最后将上采样的特征直接concat到点云原始特征，之后就是pointnet那一套了。这篇论文最大的亮点是可以让我们更直观深入地理解基于体素的方法与基于点的方法的区别，文章中不仅指出了两种方法的局限，也给出了相应的实验与分析。
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
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