【三维目标检测】VoxelNet（三）：模型详解

已于 2023-05-12 09:27:28 修改
阅读量7k 收藏 16
点赞数 9
分类专栏： Python三维点云实战宝典 文章标签： voxelnet 三维目标检测 点云目标检测
于 2022-05-20 23:01:24 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/suiyingy/article/details/124871320
版权
本文详细介绍了VoxelNet三维目标检测模型的结构，包括VFW（体素特征编码）、SVFW（堆叠体素特征编码）、CML（卷积中间层）和RPN（区域提议网络）四个部分，以及相应的损失函数。通过VoxelNet，模型能够处理点云数据，提取特征并进行目标检测。
摘要由CSDN通过智能技术生成

本文为博主原创文章，未经博主允许不得转载。
本文为专栏《python三维点云从基础到深度学习》系列文章，地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。

        前两节详细介绍了VoxelNet的数据处理部分，本节主要介绍VoxelNet详细的模型结构及其损失函数。数据处理部分请参考：三维点云目标检测 — VoxelNet详解之数据处理 （二）_Coding的叶子的博客-CSDN博客。

1 代码环境部署

         请参考：三维点云目标检测 — VoxelNet详解crop.p

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Coding的叶子
关注
专栏目录
订阅专栏
论文阅读笔记 | 三维目标检测——VoxelNet算法
Clichong
11-25 1183
以往的3d检测器都难免利用了手工设计特征(hand-crafted)，不够智能不能实现end-to-end地自动提取特征，而如果利用全部点云输入，处理点云可能搞到100k个点的数据可能会带来极大的计算量(其实这里是可以对输入进行采样的，不过对于一个大场景来说数据点确实有点大，这时候对点云量化确实是一个比较好的选择，具体需要结合特定的场景和数据量)。为此，VoxelNet提出一个端对端的3d检测器，对点云数据进行量化，避免复杂场景带来的高计算。 具体来说，VoxelNet将点云划分为等间距的3D体素，通过堆
VoxelNet点云检测详解
NNNNNathan的博客
02-28 1万+
1、前言 精确的点云检测在很多三维场景的应用中都是十分重要的一环，比如家用机机器人、无人驾驶汽车等场景。然而高效且准确的点云检测在pointnet网络提出之前，一直没能取得很好的进展，因为传统的手工点云特征提取没有很好的泛化性能。所以VoxelNet是一个端到端的点云检测模型。直接使用深度学习完成对点云的特征提取；同时，这也使得网络更加高效。这个模型在当时的KITTI点云检测中也取得了SOTA的成绩。 VoxelNet: End-to-End Learning for Point Clo...
VoxelNet深入解读
leo0308的博客
03-28 2804
论文：VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 代码： 0 介绍 在基于激光雷达点云的3D检测方法中， 有两类常见的算法， 一种是Point-based, 即直接基于原始的点云数据进行操作； 另一类是Voxel-based, 通过把原始的点云数据处理成规则的voxel, 从而可以使用传统的CNN等方法。 VoxelNet就是voxel-based 的经典模型。 1 网络结构 整体的网络结构非常简单， 主要包
【三维目标检测模型】MVXNet
最新发布
叶子的博客
08-20 1296
MVXNet是一种基于激光雷达和图像的多模态融合的三维目标检测模型，发表在CVPR 2019，本文含详细python源码解读。
点云 3D 目标检测 - VoxelNet（CVPR 2018）
77wpa的博客
12-17 3206
精确检测3D点云中的物体是许多应用中的中心问题，例如自主导航、家政机器人和增强/虚拟现实。为了将高度稀疏的LiDAR点云与区域提案网络（RPN）连接起来，大多数现有工作都集中在手工制作的特征表示上，例如鸟瞰投影。在这项工作中，我们消除了对3D点云的手动特征工程的需求，并提出了VoxelNet，这是一种通用的3D检测网络，它将特征提取和边界框预测统一到单个阶段、端到端可训练的深度网络中。
【3D目标检测】VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection论文综述（2017）
qq_42575422的博客
11-14 333
1、 为什么要做这个研究（理论走向和目前缺陷） ? 这时的基于3D CNN来做的3D目标检测体素化之后全都是手工设计特征表达，即体素网格中的点一般选取最高点z值、网格中数目等作为该体素网格表达，手工设计的特征表达往往有各种局限，没办法发挥数据本身的潜力。 2、 他们怎么做这个研究 （方法，尤其是与之前不同之处） ? VoxelNet是第一个采用学习的方式（pointnet）来进行体素网格中特征表达的网络，有效提升了每个体素网格中的特征表现力。实现过程中还有一些针对稀疏点云数据的trick，比如采用hash实
【三维目标检测】VoxelNet（一）：crop.py详解
叶子的博客
05-18 7756
三维点云目标检测 — VoxelNet详解crop.py （一）​接下来将详细介绍VoxelNet三维点云目标检测模型，将参考Github上的源码进行介绍，Github地址为https://github.com/skyhehe123/VoxelNet-pytorch。 本节将重点介绍数据处理中的crop.py的裁剪功能。 1 代码环境部署 conda create -n torch04 python=3.6 conda activate torch04 pip inst...
【三维目标检测】Second 模型 （二）
叶子的博客
07-09 6005
Second模型的基本介绍、稀疏卷积、mini kitti数据集等请参考本专栏的上一篇博文：【三维目标检测】Second 模型 （一）_Coding的叶子的博客-CSDN博客。本节将介绍模型的详细结构与推理过程。文中参考代码来源于mmdetection3d框架中的second模型。mmdetection3d安装和调试验证可参考本博客之前的专栏，里面有详细介绍。1 second模型总体过程2 主要模块解析2.1 体素化 函数：self.voxelize(points) 输入
【三维目标检测】Second 模型 （一）
叶子的博客
07-08 6858
Second算法是一种基于三维点云的目标检测算法。Second算法采用了几乎与Voxelnet三维目标检测算法完全一致的设计思路，主要差异表现在将Voxelnet CML（Convolutional Middle Layer）卷积提取特征层改为采用三维稀疏卷积进行特征提取。因此，在理解Second算法之前，推荐先看一遍voxelnet算法，详细介绍请参考之前的博客：【三维目标检测】VoxelNet（三）：模型详解_Coding的叶子的博客-CSDN博客_voxelnet 点云 目标检测。 以二
【三维目标检测】Complex-Yolov4详解（二）：模型结构
叶子的博客
06-02 5884
【三维目标检测】Complex-Yolov4详解（二）：模型结构Complex-Yolo网络模型的核心思想是用鸟瞰图BEV替换Yolo网络输入的RGB图像。因此，在完成BEV处理之后，模型的训练和推理过程基本和Yolo完全一致。Yolov4中输入的RGB图片的尺寸维度为608x608x3，因此BEV的尺寸维度也为608x608x3，由强度图、高度图和密度图组成。Complex-Yolov4的数据处理部分详细介绍请参考：https://blog.csdn.net/suiyingy/article/detail
VoxelNet End-to-End
03-15
End-to-End Learning for Point Cloud Based 3D Object Detection
论文阅读：VoxelNet（3D-detection）+代码复现
热门推荐
有所为，有所成长
08-15 3万+
Brief 1 Abstruct 本文直接处理点云输入，是end-to-end的网络；和以往的多视角投影的不同。 采用VFE（voxel feature encoding）网络对每个体素内的点进行编码再接上3DRPN检测。不使用手工特征处理，这好比CNN加入R-CNN一样。（感叹一下。作者写文章真的强） 该方法在KITTI car detection取得了sota的效果，超过了同时使用mino和...
VoxelNet论文和代码解析
DARLINGB的博客
02-21 1078
VoxelNet
【VoxelNet —— 体素网络】
fyc300的博客
08-03 1925
将划分好的点云输送到端到端的网络结构中，以端到端的方式从点云中学习判别性特征表示并预测准确的 3D 边界框
VoxelNet
erzayi的博客
10-15 701
VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection CVPR18 摘要 在3D点云中准确检测目标是许多应用中的核心问题，例如自主导航，客房服务机器人和增强/虚拟现实。为了将高度稀疏的LiDAR点云与区域建议网络（RPN）进行接口，大多数现有的工作都集中在手工制作的特征表示上，例如鸟瞰图。 在这项工作中，我们避免了对3D点云进行手动特征，并提出了VoxelNet，这是一种通用3D检测网络，它将特征提取和边界框预测统一
voxelnet_VoxelNet
weixin_32546235的博客
01-17 328
Abstract为了让高度稀疏的LiDAR点云和region proposal network接合，现存方法着重于手工制作特征表达，例如BEV。在这篇论文中，我们去除了人工特征标注，提出了VoxelNet，统一特征提取，利用single stage，end to end 深度网网络。VoxelNet把点云均匀分割在3D体素，然后利用voxel feature encoding层将它们转化成标准特征...
【学习笔记】VoxelNet
蓝鲸鱼的博客
08-10 908
paper，code 1.1 VOXEL 设置Voxelization参数（每个voxel可以存放点的个数max_points_number，voxel长宽高的大小W,H,L） 对依次每一个点，根据其对应的坐标（x,y,z）得到该点在voxel的索引。 根据索引判断该voxel中是否已经存在max_points_number个点，如果存在，则将该点直接丢弃，如果不满足，则将该点加入到该voxel中。 计算voxel特征 1.2 VOXEL使用MLP特征提取 根据voxel中的point特取得到vox
VoxelNet--细说VFE
qq_45783225的博客
02-28 497
第二篇要说的论文是基于体素的VoxelNet的体素特征编码模块。经过体素化、分组、随机采样处理之后。一帧点云数据被划分成了多个包含若干点云的体素。下面让我们走进一个体素中去。对体素进行特征编码和表示就是这片论文的核心。
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

打赏作者

Coding的叶子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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