【Apollo点云分割模型之】训练BCNN网络操作

VIP文章 已于 2022-03-08 19:41:47 修改
阅读量2.2k 收藏 3
点赞数 1
分类专栏： 自动驾驶技术专栏 文章标签： python 深度学习 聚类
于 2022-03-08 19:41:12 首次发布
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/small_munich/article/details/123360365
版权
简述

　　Apollo激光感知模块主要分为几个部分，一部分是直接对3D点云进行检测输出目标框。例如：PointPillars算法或MaskPillars算法等。另一部分主要是通过训练点云分割模型，然后对前景分割目标进行聚类、拟合最终输出目标框的方法。本篇博文主要介绍Apollo点云分割算法之BCNN的训练NuScenes数据集过程记录。

关于BCNN代码传送门：train_bcnn

如何训练分割模型
数据准确环节

首先，需要你准备一些nuScenes数据集。然后，在工程train_bcnn目录下面找到可执行create_dataset_from_nusc.py文件，修改其中参数dataroot与save_dir路径，其中dataroot为原始nuScenes下的路径，save_dir为生成的数据训练路径。修改好数据路径与保存路径之后，直接执行：

python  create_dataset_from_nusc.py

终端输出如下命令，就代表正在创建数据集。完成之后，你会在save_dir下面的in_feature路径下面看到生成待训练的npy点云文件。

/home/holo/anaconda3/envs/baidu/bin/python /media/holo/B834B57734B538E8/train_baiducnn/scripts/create_dataset/create_dataset_from_nusc.py
======
Loading NuScenes tables for version v1.0-mini...
23 category,
8 attribute,
4 visi
最低0.47元/天 解锁文章
AutoXTruck
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
细粒度分类：B-CNN论文笔记——Bilinear CNN Models for Fine-grained Visual Recognition
qq_50001789的博客
06-23 327
论文题目：《Bilinear CNN Models for Fine-grained Visual Recognition》 本文主要提出了用于聚合二阶统计数据的B-CNN架构，以矩阵外积的形式组合一幅图片的两种特征，使网络充分探索零件特征之间的交互关系，从而使网络更好地理解图像，进一步提高模型性能。
【pcl教程系列】之点云目标检测整体流程
AutoXTruck专栏
12-30 5490
点云目标检测概述 <font face=“楷体” color#00000 size=4> 代码小试 <font face=“楷体” color#00000 size=4> 小结 <font face=“楷体” color#00000 size=4> 参考
细粒度图像分类算法 Bilinear CNN PyTorch实现代码
王爷的CSDN
04-02 9960
参考：https://github.com/HaoMood/bilinear-cnn/blob/master/src/bilinear_cnn_all.py #!/usr/bin/env python # -*- coding: utf-8 -*- """Fine-tune all layers for bilinear CNN. Usage: CUDA_VISIBLE_DEVICES...
B-CNNS算法重点内容理解
weixin_37718439的博客
02-21 1087
本文是对2015年论文Bilinear CNNs for Fine-grained Visual Recognition重点内容的理解，由于本人小白，不当之处请指出。 B-CNN architecture 网络CNN streamA擅长对物体／部件进行定位，局部区域检测，CNN streamB对A检测到的物体进行特征提取。两个网络相互协调作用，完成了细粒度图像分类过程中两个最重要的任务：物体、局...
Bilinear CNN PyTorch版代码解读
weixin_37718439的博客
02-22 3161
本文是个人对Bilinear CNN的代码的理解，代码来自于Hao Zhang,适用PyTorch 0.3.0，应用于CUB200-2011数据集。 1.文件结构 文件clone之后，文件目录如下： 2 bilinear_cnn_all.py 所有的权重参数都要重新微调 #!/usr/bin/env python # -*- coding: utf-8 -*- """Fine-tune all ...
基于CNN进行高效的B型超声图像重建（Matlab代码实现）
weixin_46039719的博客
06-02 544
在便携式、3-D和超快速超声成像系统中，由于接收器（Rx）或发射（Xmit）事件子采样，对从有限数量的射频（RF）测量中重建高质量图像的需求日益增加。为了解决这个问题，在本文中，我们提出了一种新颖的深度学习方法，该方法利用Rx-Xmit平面中的冗余直接插值丢失的RF数据。另一方面，为了实现更高的帧速率，应减少传输事件的数量，因为传输事件的持续时间由声速决定。由于超声（US）成像具有出色的时间分辨率、合理的图像质量和最小的侵入性，已成为诊断心脏、肝脏等许多疾病的黄金标准。行百里者，半于九十。
层级分类（续）-使用B-CNN(Branch CNN)实现
weixin_43295229的博客
04-23 6712
一、上回介绍 承接上回多级分类留下的困惑，这一次更新分享一些取得实质的进展！ 在上一篇博客中，我尝试建立这样一个结构的多层次化的分类模型： 然而实际上我构建的是一个这样的一个分类模型： 虽然最终的分类效果还不错，但我也清楚很大程度上是依赖于利用了训练好的VGG16模型，以及当前分类的数目相对较少。这样的实现是难以符合实际工程需求的，因为实际上很多情况下要分类的类别数目是成千上万的，这样简单的分...
压缩感知l1重建算法matlab代码-BCNN:贝叶斯卷积神经网络的压缩感知恢复
05-20
压缩感知l1重建算法matlab代码[用于压缩感知恢复的贝叶斯卷积神经网络]。 介绍 贝叶斯卷积神经网络（BCNN）是一种新的压缩感知（CS）恢复算法，它结合了卷积神经网络（CNN）和贝叶斯推理方法。 在本文中，我们显示出在重建结果方面的显着改进，优于传统的结构化压缩传感（SCS）算法和基于ReconNet，DR2Net和LDAMP等神经网络的恢复方法。 此处提供的代码有助于重现本文中介绍的某些结果。 引文（BibTex）： 如果您正在使用此代码，请引用以下论文。 @artical{BCNNs, author = {Xinjie Lan and Xin Guo and Kenneth E. Barner}, title = {Bayesian Convolutional Neural Networks for Compressed Sensing Restoration}, booktitle = {arVix:1811.04356}, month = {Nov.}, year = {2018} } 系统要求： 该软件已经在Matlab R2018a上进行了测试。 使用BCNN从CS测
Bilinear CNN Faster代码解读
weixin_37718439的博客
02-22 1034
本文是个人对blinear-cnn-faster-master的代码的理解，blinear-cnn-faster-master是Hao Zhang编写的Bilinear CNN的改进版。 1.文件结构 文件结构和主要改进如下图示： 2 model.py文件 model的主要改进如下： 代码如下： # -*- coding: utf-8 -*- """Mean field B-CNN model....
卷积神经网络(CNN)详解与代码实现
从0到1透视卷积神经网络
07-24 2939
相比之下，Relu就不存在这样的问题，另外在 x > 0 时，Relu求导 = 1，这对于反向传播计算dw，db，是能够大大的简化运算的。第一项 => 0 * 1 + 0 * 1 + 0 * 1 + 0 * (-1) + 1 * (-1) + 1 * 0 + 0 * (-1) + 1 * 1 + 1 * 0 = 0。第二项 => 0 * (-1) + 0 * (-1) + 0 * 1 + 1 * (-1) + 2 * 1 + 0 * 0 + 2 * (-1) + 1 * 1 + 1 * 0 = 0。
【项目实战课】人人免费可学，基于Pytorch的BCNN鸟类细粒度图像分类实战
hacker_long的专栏
07-12 1123
欢迎大家来到我们的项目实战课，本期内容是《基于Pytorch的BCNN鸟类细粒度图像分类实战》。所谓项目课，就是以简单的原理回顾+详细的项目实战的模式，针对具体的某一个主题，进行代码级的实战讲解，要求大家有较好的基础知识。本次课程内容细粒度图像分类是一个粒度较小的图像分类问题，它往往是同一个大类中的子类的分类，以不同鸟类的细粒度分类任务为例，比较著名的数据集是Caltec...
matlab代码sqrt-bcnn:B-CNN：双线性CNN，用于细粒度的视觉识别
05-23
Matlab代码sqrt B-CNN：双线性CNN，用于细粒度的视觉识别 由林宗玉，Aruni RoyChowdhury和Subhransu Maji在麻省大学阿默斯特分校创建 介绍 该存储库包含用于在B-CNN [ICCV 2015]和改进的B-CNN [BMVC 2017]论文中重现结果的代码： @inproceedings{lin2015bilinear, Author = {Tsung-Yu Lin, Aruni RoyChowdhury, and Subhransu Maji}, Title = {Bilinear CNNs for Fine-grained Visual Recognition}, Booktitle = {International Conference on Computer Vision (ICCV)}, Year = {2015} } @inproceedings{lin2017impbcnn, Author = {Tsung-Yu Lin, and Subhransu Maji}, Booktitle = {British Machine Visi
Apollo 之定位技术
12-08
Apollo 之定位技术
Apollo小度车载系统之DSP设计方案1
08-08
2、百度提供相关DSP设计参考资料以及芯片DataSheet给OEM厂商作硬件设计参考 3、OEM厂商要提供方案设计框架图，以及电路设计框图给百度确认 4、厂商
apollo-client-ws:Apollo 客户端的 GraphQL WebSocket 网络接口
05-29
Apollo-Client-WS Apollo 客户端的 GraphQL WebSocket 网络链接关于这是一个基于 的ApolloLink层，用于 JavaScript GraphQL 客户端库 。 它是为服务器框架及其无缝 WebSocket 协议集成模块开发并打算与它一起使用的...
自动驾驶之百度Apollo在线车辆纵向标定算法.pdf
最新发布
04-11
自动驾驶之百度Apollo在线车辆纵向标定算法.pdf
Apollo Control代码改写成Matlab代码
01-06
将Apollo控制代码改写成Matlab代码，并编写相应的车辆横纵向动力学模型，可在matlab中进行控制模块的横纵向仿真调参，也可作为学习Apollo 控制代码的资料。
【pcl入门教程滤波系列】之VoxelGrid
AutoXTruck专栏
09-01 9321
VoxelGrid体素采样 　　pcl库中的VoxelGrid对点云进行体素化，主要就是创建一个三维体素栅格(就是每个比较小的立方体组成的体素栅格)。在每个体素(三维立方体)里面，求取该立方体内的所有点云重心点来代表这个立方体的表示，以此达到下采样的目的。 class pcl::ApproximateVoxelGrid<PointT> class pcl::VoxelGrid<PointT> class pcl::VoxelGird<pcl::PCLPointClo
【pcl入门教程滤波系列】之passThrough滤波
AutoXTruck专栏
06-08 5028
简介 　　最近开始接触点云的数据处理模块，点云做分割、检测、识别之前需要做大量的预处理操作。直通滤波算作最为简单、粗暴的一种滤波方式，就是直接对点云的X、Y、Z轴的点云坐标约束来进行滤波，可以约束只在Z轴，或者XYZ三个坐标轴共同约束来达到点云滤波效果。下面直接上代码进行简单解释： 代码示例 　　下面这段代码是直通滤波最为频繁使用的函数：该简单示例通过读取pcd点云数据进行操作，最后保存为pcd文件。通过使用cloudcompare软件来进行查看直通滤波后的效果。 #include <iostream
apollo9.0预测模型
03-21
Apollo 9.0预测模型是百度公司开发的种自动驾驶系统中的预测算法。它主要用于预测其他交通参与者（如行人、车辆、自行车等）的行为和轨迹，以帮助自动驾驶车辆做出更准确的决策和规划。 该预测模型基于深度学习技术...

“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

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