PointCloud 点云
shaozhenghan
GitHub: https://github.com/shaozhenghan
展开
-
开源框架PointNet 数据集结构——语义分割部分
要训练自己的数据,需要把自己的数据集做成PontNet所用数据集相似的结构。故记录本文以备忘1. 论文中的描述pointnet 应用分为三部分:点云分类(3D Object Classification),点云部分分割(3D Object Part Segmentation),语义分割(Semantic Segmentation in Scenes)。本文只解释语义分割部分的数据集。论...原创 2018-07-17 19:43:34 · 10364 阅读 · 49 评论 -
激光雷达数据从极坐标到笛卡尔坐标(结合内、外参)
以Velodyne HDL 64 为例原创 2019-03-19 08:41:23 · 3792 阅读 · 3 评论 -
(转)《开发者说 | 关于激光雷达感知模块的分析》
原创:Apollo社区开发者Apollo开发者社区2018-11-14本文档结合代码详细地解释感知模块中障碍物感知的流程与功能,也可以官方参考文档。(https://github.com/ApolloAuto/apollo/blob/master/docs/specs/3d_obstacle_perception_cn.md)硬件简介...转载 2019-03-03 14:38:07 · 948 阅读 · 0 评论 -
阅读笔记 《深度|详解自动驾驶核心部件激光雷达,它凭什么卖70万美元?》
原创:黄武陵新智元激光雷达描绘周围环境几个主要参数,包括线数、点密度、水平垂直视角、检测距离、扫描频率、精度等。除了位置和距离信息,激光雷达还提供返回所扫描物体的密度(错误!应该是反射强度)信息,后续算法据此可以判断扫描物体的反射率再进行下步处理。通过检测目标物体的空间方位和距离,通过点云来描述3D环境模型,提供目标的激光反射强度信息,提供被检测目标的详细形状描述,不仅在光照条件好的...原创 2019-03-03 14:09:17 · 1773 阅读 · 0 评论 -
读论文 3D Point Cloud Classification using 3D Modified Fisher Vector Representation for CNN
3D Point Cloud Classification and Segmentation using 3D Modified Fisher Vector Representation for Convolutional Neural Networks 模型结构:可见模型主要分为两部分,一部分是将输入点云变为 Fisher Vector 表达,另一部分是进行CNN处理其中 I...原创 2018-08-31 19:30:08 · 1125 阅读 · 0 评论 -
3D激光点云物体分类(Object Classification)常用特征梳理与总结
物体分类常用机器学习的方法,这里有句话说的透彻:数据与特征决定了机器学习的上限,而后面的模型/算法/参数只是来逼近这个上限。所以说特征的选择至关重要。这里对基于激光点云的物体分类常见特征做一下归纳整理。方便进一步学习,以及后续论文的写作。一、对点云特征的要求理想情况下相同或相似表面上的点的特征值将非常相似(相对特定度量准则〉,而不同表面上的点的特征描述子将有明显差异 。 下面几个条件,通过...原创 2018-08-01 20:43:10 · 15867 阅读 · 2 评论 -
(转)一种好用的激光点云加标签的方法和工具
论文:Multi-Label Point Cloud Annotation by Selection of Sparse Control Points原文:https://www.computer.org/csdl/proceedings/3dv/2017/2610/00/261001a301-abs.html翻译: https://blog.csdn.net/m0_37903426/ar...转载 2018-08-10 14:55:33 · 3044 阅读 · 1 评论 -
读论文:CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data
https://arxiv.org/pdf/1709.02128v1.pdf提取地面点的传统方法是基于特征(强度,几何)。有一定局限性,比如地面起伏大的时候。而这篇文章用FCN的方法训练提取地面点,这种方法其实是像素级别的语义分割,也可以用在别的物体的分类上。具体以后补。 ...原创 2018-07-27 22:39:40 · 434 阅读 · 0 评论 -
读论文:Real-time Object Classification in 3D Point Clouds Using Point Feature Histograms
马上补原创 2018-08-09 16:16:38 · 519 阅读 · 2 评论 -
读论文:Recognizing Objects in Range Data Using Regional Point Descriptors (3D shape context 形状描述子)
Recognizing Objects in Range Data UsingRegional Point DescriptorsAndrea Frome 1 , Daniel Huber 2 Ravi Kolluri 1 , Thomas Bülow 1, and Jitendra Malik 11:University of California Berkeley, Berkeley C...原创 2018-08-09 14:24:24 · 3938 阅读 · 0 评论 -
点云 数据增强(Data Augmentation):方法与python代码
数据集增强(Data Augmentation)是机器学习常用的数据预处理方法。例如,当手头的数据量太少时,可以人工生成一些有意义的数据用来训练,这种数据获取方法的突出优点是:成本低,效果好。另外,当用来分类的数据集有数据倾斜(skewed data)即某一类样本比另一类多很多时,可以这对样本较少的一类进行数据增强。在图像领域,常用的数据增强方法有:旋转,镜像,缩放等。而在激光点云中,常用...原创 2018-07-28 21:56:03 · 11140 阅读 · 7 评论 -
开源框架PointNet 代码详解——/pointnet/sem_seg/model.py
本文介绍用于点云语义分割(Semantic Segmentation in Scenes)的模型文件 /pointnet/sem_seg/model.py。原论文:PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation (Charles R. Qi, Hao Su, Kaichun Mo, L...原创 2018-07-18 16:18:16 · 7219 阅读 · 7 评论 -
开源框架PointNet 代码详解——/pointnet/sem_seg/train.py
/pointnet/sem_seg/train.py 是PointNet 中用来训练点云语义分割(Semantic Segmentation in Scenes)的文件。当需要训练自己的数据集的时候,可能需要对这个训练文件做一些修改,因此有必要看懂其中的代码。记录下来,也是捋清思路。 parser = argparse.ArgumentParser()parser.add_argume...原创 2018-07-17 22:14:55 · 7603 阅读 · 22 评论 -
开源框架PointNet 代码详解——/pointnet/provider.py
provider.py 这个源文件主要用于数据集相关的操作,如数据集增强,数据集加载等。下面依次介绍。import osimport sysimport numpy as npimport h5pyBASE_DIR = os.path.dirname(os.path.abspath(__file__))sys.path.append(BASE_DIR)导入相关库,添加路径。注意...原创 2018-07-17 20:18:08 · 6742 阅读 · 2 评论 -
基于三维激光雷达的二维占据栅格地图构建-简介
与二维激光雷达只能得到一定高度的平面环境信息相比,三维激光雷达可以得到环境的三维信息。二维激光雷达一般不会得到地面点,即返回来的点都是障碍物的点,可以直接当做障碍物处理。但三维激光雷达的点中通常包含大量的地面点,不可以直接把返回点的区域当做障碍物。也正因为地面点的原因,三维Lidar的占据栅格地图不再需要Bresenham算法(https://zhuanlan.zhihu.com/p/2173...原创 2019-03-19 10:21:02 · 5577 阅读 · 0 评论