三维目标检测---RPVNet论文解读

最新推荐文章于 2024-08-12 09:05:22 发布
最新推荐文章于 2024-08-12 09:05:22 发布
阅读量2.6k 收藏 4
点赞数
分类专栏： 论文阅读 文章标签： 深度学习 神经网络 机器学习
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_41621517/article/details/121879239
版权

更多内容更新于个人博客 twn29004.top
image-20211116125355498

代码链接

RPVNet: A Deep and Efficient Range-Point-Voxel Fusion Network for LiDAR Point Cloud Segmentation (arxiv.org)

论文总结

本文实现了一种大场景下的点云语义分割网络，并在SemanticKITTI数据集上实现了1st的结果。其主要通过一种融合的方法来实现。不同于以往的使用基于点，基于体素和基于深度图(Range Image)的方法.但是这些方法都有一定的缺点。之前融合的方法也仅是融合其中的两类。本文提出了一种融合三类数据的网络。网络的主要结构如下:

image-20211116130031567

网络主要分为三个分支，使用了经典的Encoder和Decoder的结构。三个分支分别是基于体素的，基于点云的和基于深度图的。分别使用对应的网络提取各个分支的特征，然后作者使用了点这个分支来作为中间节点，来融合不同来源的数据。不同特征进行融合的算法如下图所示:

image-20211116132950759

将其他特征映射到基于点的表示的话，可以使用最近邻插值或者三线性插值或者双线性插值的方法。以基于深度图到基于点的表示为例:通过计算该点在深度图上的周围的四个

image-20211116134822778

其中， F R （ u ） F_R（u） F

最低0.47元/天 解锁文章
twn29004
关注
专栏目录
论文阅读笔记 | 三维目标检测——AVOD算法
Clichong
11-18 3512
AVOD同样是一个two-stage(使用了RPN提取候选框)、anchor-based网络结构。获得较高的召回率对RPN网络来说是比较重要的，但对于稀疏的较低分辨率的输入来说（比如前视图和鸟瞰图）不足以让RPN输出高质量的候选框，且导致低召回率，这会在第二个阶段带来无法逆转的结构。基于这个考虑，AVOD设计了一个新颖的RPN结构可以通过在高分辨率特征图上进行多模态特征融合（将来自RGB图像和BEV的全分辨率特征图为输入），来提高小目标的定位精度。
三维目标检测---PointCloudTransformer论文解读
twn29004的博客
12-11 1896
代码链接 paper链接 论文总结 本文提出了一种在适用于点云的Transformer结构。根据点云数据的特点进一步改善了Transformer的结构。其主要做了三点改进: 基于坐标的输入嵌入方法 改进的offset-attention方法(想法主要来源于图神经网络) 邻近点嵌入方法 下面依次介绍上述三种改进点以及改进的原因。 首先介绍原始的Transformer结构在点云中的使用。 使用点云的Encoder结构来提取点云的特征。首先使用一个输入嵌入层来转化点云的坐标，就是将三维的点云坐标映射到一个.
三维目标检测--VoteNet增强版--MLCVNet论文解读
twn29004的博客
12-14 3180
本文首先提出了三维目标检测中对于一些含有点云数量很少的目标，人类都难以辨别，此外，大部分的网络都是单独的考虑每一个proposal，这也大大加大了网络来辨别的难度。此外，作者通过观察发现，如果能够结合上下文信息的话，我们可能能够更加简单的辨别出所需要的目标。 上图是作者用来展示上下文信息的重要性的。如果单独拿一个目标出来，人类肉眼都难以辨别这个是什么类型的目标，但是如果知道这是一个餐厅的话，有60%的概率能够辨别出来是椅子，如果能够知道这个目标周围有社么的话，有85%.
[论文阅读] 激光点云分割-RPVNet
头狼博客
05-01 1724
中心思想：该paper通过multi-view fusion的方式，减小了不同view的不足；融合了range view，voxel view和points方法，以points作为主线，融合range view和voxel view的的特征（依靠索引系统完成这个过程）。
探索未来科技：PVNet——像素级投票网络，6自由度姿态估计的利器
最新发布
gitblog_00711的博客
08-12 429
探索未来科技：PVNet——像素级投票网络，6自由度姿态估计的利器 项目地址:https://gitcode.com/gh_mirrors/pv/pvnet 在计算机视觉领域，准确地估计物体的姿态是一项至关重要的任务。PVNet，全称为Pixel-wise Voting Network，正是这样一款能够实现6自由度（6DoF）精确姿态估计的开源工具，其在CVPR 2019会议上作为口头报告被展示。...
【论文笔记】PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation
Medlar Tea
11-06 1399
论文地址：https://arxiv.org/pdf/1812.11788 1.引言 1.1 问题描述 6D Pose Estimation的目标是检测出物体，并求得它们的位置和朝向，实际上就是求得从物体坐标系到相机坐标系的(R,t)。所以算法的输入是一张rgb图像、3D keypoints、bbox_8，输出是(R,t)，最终展现的效果是：bbox_8经过旋转、平移、2D映射之后，投影在原...
姿态估计2-03：PVNet(6D姿态估计)-白话给你讲论文-翻译无死角（1）
江南才尽江南山，年少无知年少狂！
07-17 5939
以下链接是个人关于PVNet(6D姿态估计) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 姿态估计2-00：PVNet(6D姿态估计)-目录-史上最新无死角讲解 本论文名为： PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation（CVPR 2019 oral） 话不多说，本人直接开始翻译了 Abstract 该论文主要提出
三维目标检测---PartA2论文解读
twn29004的博客
01-02 2453
代码链接 paper链接 个人博客 问题 不同于二维目标检测，三维目标检测中的基准框包含着大量的信息，其能够很自然的提供前景点的标记，甚至提供位于基准框中各个点的内部相对位置。而这些信息对于三维目标检测是非常重要的。三维目标网络的内部相对位置包含了三维基准框内点的分布，这类信息能够很轻易的从点云数据中获得，且包含大量的信息，但是之前从来没有三维边界网络使用这些信息。基于这个观察，本文作者提出了Part-Aware and Part-Aggregation网络. 内部相对位置的图示。通过这些相对位置，可.
三维目标检测----Attentional PointNet for 3D-Object Detection in Point Clouds论文解读
twn29004的博客
12-15 2731
代码链接 paper链接 论文总结 这是2019年CVPR的一篇文章，本文提出了一种新的利用循环神经网络来做三维目标检测的方法。并且使用了类似于BERT中讲图像分割成patch的方法来处理大型的点云场景。本文的实验效果一般，速度在kitti排行榜上也很一般，不知道为什么能发CVPR. 下面简单介绍一下本文的主要思想。 作者首先讲点云场景划分为12×1212 \times 1212×12大小的patch，并将其在zzz轴上投影得到一个深度图。使用PointNet来处理点云，使用卷积神经网络来处理深度图，然.
论文翻译：PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation
weixin_44636737的博客
10-07 1649
论文翻译：PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation 摘要 本文讨论了单幅RGB图像在严重遮挡或截断情况下的6DoF位姿估计问题。最近的许多研究表明，two-stage的方法：首先检测关键点，然后解决一个PnP问题的位姿估计，效果很好。然而，这些方法大多通过回归图像坐标或热图来定位一组稀疏关键点，它们对遮挡和截断非常敏感。相反...
CVPR 2019的“ PVNet：用于6DoF姿势估计的像素级投票网络”的代码-Python开发
05-25
“ PVNet：用于6DoF姿势估计的像素级投票网络”代码CVPR 2019口头好消息！ 我们发布了一个干净的PVNet版本：clean-pvnet，包括如何在自定义数据集上训练PVNet。 对tless数据集的训练和测试，我们在其中检测图像中的多个实例。 PVNet：用于6DoF姿势估计的像素化投票网络PVNet：用于6DoF姿势估计的像素化投票网络Sida Peng，刘元，黄启兴，周小伟，包虎军CVPR 2019口腔项目页面欢迎任何问题或讨论！ 截断LINEMOD数据集检查
姿态估计2-04：PVNet(6D姿态估计)-白话给你讲论文-翻译无死角（2）
江南才尽江南山，年少无知年少狂！
07-18 3120
以下链接是个人关于PVNet(6D姿态估计) 所有见解，如有错误欢迎大家指出，我会第一时间纠正。有兴趣的朋友可以加微信：a944284742相互讨论技术。若是帮助到了你什么，一定要记得点赞！因为这是对我最大的鼓励。 姿态估计2-00：PVNet(6D姿态估计)-目录-史上最新无死角讲解 本论文名为： PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation（CVPR 2019 oral） 话不多说，接着上篇波博客继续翻译了 5. Experiment
PVNet: A Joint Convolutional Network of Point Cloud and Multi-View for 3D Shape Recognition
CSS360的博客
08-11 1248
论文链接：http://gaoyue.org/paper/PVNet.pdf 摘要 3D目标识别已经吸引研究者们的注意在领域多媒体和计算机视觉。随着最近涌入的深度学习，各种深度模型使用不同的展示形式实现先进的表现。大部分它们，点云和多视点基于3D模型展示正在引进在最近，它们对应的深度模型已经展示出重要性在3D模型识别。然而，有较少集中在点云数据和多视点数据对于3D模型展示，在我们...
pvnet——自我总结
Marilynviolet的博客
09-11 5850
第一阶段：（检测2D关键点） pvnet： 利用卷积网络对图片中像素进行分类，生成语义标签，假设关键点，计算指向关键点的向量场，根据向量进行比较投票分数确定确定关键点。使用FPS（farhest point sampling）选出八点作为估计匹配的关键点。 执行细节： 网络中使用的优化器：Adam 单独对象模型网络都是使用resnet_18网络一对一训练，所有模型是使用resnet_50训练 cr...
PVN3D论文翻译
cocool的博客
09-09 1555
CVPR2020旷视提出PVN3D：针对6D位姿估计的3D关键点投票网络 Abstract 在这项工作中，我们提出了一种新的数据驱动方法，用于从单个RGBD图像进行鲁棒的6DoF对象姿态估计。与直接回归姿态参数的先前方法不同，我们使用基于关键点的方法来解决这一具有挑战性的任务。具体而言，我们提出了一种深度霍夫投票网络，以检测对象的3D关键点，然后以最小二乘拟合的方式估算6D姿态参数。我们的方法是2Dkeypoint方法的自然扩展，该方法成功地用于基于RGB的6DoF估计。它使我们能够利用额外的深度信息充分利
PVNet:阅读笔记
layman to computer science
09-15 1375
PVNet: 论文摘要： 本文解决在severe occlusion or truncation条件下从single RGB图像中做6D姿态估计。最近的主流方法采用two-stage的思路，先检测关键点再求解Perspective-n-Point(PnP)问题，取得remarkable performance。然而，它们只通过回归image coordinates or heatmaps定位出...
3D 语义分割——RPVNet
steven_ysh的博客
09-19 1771
本文是阅读 CVPR2021 论文《RPVNet: A Deep and Efficient Range-Point-Voxel Fusion Network for LiDAR Point Cloud Segmentation》所做笔记。 首先简要介绍了 3D 语义分割中三种不同的视图，然后再详细地介绍了 RPVNet 的网络结构。
【复现笔记】pvnet
weixin_54470372的博客
10-30 2238
【未完全解决】【复现笔记】pvnet
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