【三维目标检测】Pointpillars（二）

已于 2023-05-12 09:42:57 修改
阅读量5.6k 收藏 20
点赞数 4
分类专栏： Python三维点云实战宝典 文章标签： pointpillars 三维目标检测 目标检测 mmdetection3d python
于 2022-07-20 12:18:51 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/125751729
版权
本文详细解析了Pointpillars算法，一种将三维点云转换为2D伪图像进行目标检测的方法。内容包括体素化、体素特征提取、中间特征提取、主干网络特征提取、检测头的构建以及损失函数等关键步骤，适用于快速3D目标检测，尤其在无人驾驶领域中有广泛应用。
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”。

        数据和源码请参考上一篇博文：【三维目标检测】Pointpillars（一）_Coding的叶子的博客-CSDN博客。

        PointPillars是一种基于体素的三维目标检测算法，发表在CVPR2019《PointPillars: Fast Encoders for Object Detection from Point Clouds》。它的主要思想是把三维点云转换成2D伪图像以便用2D目标检测的方式进行目标检测。PointPillars在配置为Intel i7 CPU和1080ti GPU上的预测速度为62Hz，在无人驾驶领域中常常能够使用上它，是一个落地且应用广泛的一个3D快速目标检测网络。

1 Pointpillars模型总体

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
【三维目标检测】VoxelNet（一）：crop.py详解
叶子的博客
05-18 7788
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】Pointpillars（一）
叶子的博客
07-19 5857
Pointpillars本质上是一种基于体素的三维目标检测方法。pillar英文的意思是柱子、柱状物的意思。在pointpillars模型中，体素由一系列柱状网格组成，在Z方向上仅仅只有一个体素，整体相当于一个柱子。在Z方向上只有一个体素，这样便于将三维数据直接转换为二维数据来处理。Pointpillars主要几个关键点如下（1）输入的点云数据维度为Nx4，这四个维度分别是坐标和反射强度，x、y、z、r。将输入点云划分成柱状体素，然后将各个体素中点云的坐标减去体素中点云坐标，得到cx、cy、cz。.....
【lidar】3D目标检测PointPillars：论文解读、代码解读、部署实现
03-20
【lidar】3D目标检测PointPillars：论文解读、代码解读、部署实现
论文阅读|点云3D目标检测之PointPillars
yanghao201607030101的博客
03-23 1777
PointPillars是对VoxelNet的改进，将VoxelNet中体素z轴的离散单位变成了整个z轴，也就是说原来VoxelNet中体素是一个个格子，长宽高各有若干个，提取每个体素特征后得到一个3D特征tensor，而PointPillar的体素是一个个立在x，y平面的柱子，高为整个z轴，提取每个体素的特征后得到的是一个2Dtensor。于是，和VoxelNet相比，PointPillars就只需要用2DCNN对编码的tensor卷积，而不是计算量极大的3DCNN，从而极大的节约了时间。
CUDA-PointPillars 开源项目安装与使用教程
最新发布
gitblog_00825的博客
08-21 621
CUDA-PointPillars 开源项目安装与使用教程 CUDA-PointPillarsA project demonstrating how to use CUDA-PointPillars to deal with cloud points data from lidar.项目地址:https://gitcode.com/gh_mirrors/cu/CUDA-PointPillars ...
【2D/3D目标检测】PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud阅读笔记（2019）
qq_42575422的博客
08-25 576
1、为什么要做这个研究（理论走向和目前缺陷） ? 基于体素的方法会有信息损失，基于视锥的方法太过依赖2D检测的结果，且不太好应对遮挡问题。 2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 提取利用原始点云来做3D框回归的2阶段网络。第一阶段中，首先用pointnet++对每个3D点都生成一个特征向量，然后对每个3D点做前背景分类,同时基于bin的方式回归一个3D候选框。前景点组成的所有3D候选框进行NMS。第二阶段利用第一阶段经NMS得到的3D候选框，进行一定的3D候选框的尺寸拓展，找到拓展后的
3D目标检测概要及VoxelNet论文和代码解读（1）--Pillar VFE
weixin_45080292的博客
04-02 2172
3D目标检测简要说明，VoxelNet解读
Point-Pillar
03-29
PyTorch中PointPillars架构的简洁实现
PointPillars
05-07
关于点Struts 点柱是一个非常著名的深度神经网络，用于LiDAR点云的3D对象检测。 随着对象检测在自动驾驶汽车上安装的LiDAR设备上的应用，Point Pillars专注于〜50fps的快速推断，这比其他3D对象检测网络要高出许多。 在此仓库中，我们正在尝试在TensorFlow中开发点Struts。 一个很好的第一篇文章，让您熟悉Point Pillars。 欢迎贡献者就未解决的问题进行工作并提交PR。 欢迎第一时间的贡献者，他们可以选择任何“ Good First Issues”进行工作。 TensorFlow中的PointPillars Tensorflow中的Point PIllars 3D检测网络实施。 欢迎外部贡献，请分叉此存储库，并查看有关代码中可能需要改进的问题。 安装 从Kitti下载LiDAR，Calibration和Label_2 zip文件，并解压缩文件
Autoware point pliier文件，三维目标检测必备，pointpillars的模型
01-29
在/home/mario/autoware.ai/src/autoware/core_perception/lidar_point_pillars/CMakeLists.txt 位置，在CMakeLists.txt文件中添加如下内容，添加还有yu注释的内容：在它的launch文件中将pointpillars的模型（模型...
论文阅读笔记 | 三维目标检测——PointPillars算法
Clichong
11-25 1548
PointPillars的出发点同样与SECOND一样，希望改进VoxelNet所使用3d卷积计算量太大推理速度太慢的问题。鉴于此，SECOND提出了稀疏卷积来提高普通3d卷积的推理速度，但是任然无法避免3d卷积的庞大计算量，没有从根本上解决这个问题，仍然需要使用计算昂贵的3d卷积操作。这个问题的核心本质是SECOND与VoxelNet将点云量化为三维空间上的一个个Voxel，所以3d卷积是无法避免的。 为了从根本上解决3d卷积的问题，PointPillars提出了一种新颖的量化方法（paper中写到是e
PointPillars阅读笔记
rianHyh
01-06 992
文章贡献 使用柱子(PointPillars)而不是体素(voxel)来组织点云数据，从而忽略了Z轴方向上的差异，将3D的空间转为2D空间进行处理。 点云数据组织方式 设定空间的柱子。 将所有点组织为9维的特征向量:(x,y,z,xc,yc,zc,xp,yp)(x,y,z,x_c,y_c,z_c,x_p,y_p)(x,y,z,xc​,yc​,zc​,xp​,yp​) 其中xc,yc,zcx_c,y_c,z_cxc​,yc​,zc​表示柱子中所有点的算数平均中心坐标 xp,ypx_p,y_pxp​,yp
open3d实现点云凸包检测并可视化
qhu1600417010的博客
08-16 827
代码】open3d实现点云凸包检测并可视化。
PointPillars点云检测在OpenPCDet推理代码详解
NNNNNathan的博客
02-24 7744
在之前的文章中已经详细解析了PointPillars的论文和训练代码的实现和详解，可以参考之前的博客：PointPillars论文解析和OpenPCDet代码解析_NNNNNathan的博客-CSDN博客。 本篇博客将会详细解析PointPillars模型在OpenPCDet中推理代码，并测试推理的效果。 读者可以下载OpenPCDet后根据文章进行阅读和理解。 由于本人才疏学浅，解析中难免会出现不足之处，欢迎指正、讨论，有好的建议或意见都可以在评论区留言。谢谢大家！ PointPi...
3D-Dection系列论文1：Pointpillars --- train 架构篇
LimitOut的博客
09-22 1174
我们一次按照网络结构里面的执行顺序依次解读： 首先我们运行python ./pytorch/train.py train --config_path=./configs/pointpillars/car/xyres_16.proto --model_dir=/path/to/model_dir 下面是源码： def train(config_path, model_dir, result_path=None, create_folder=False
SECOND——论文与代码解析
xiaohu的博客
01-25 1750
基于 LiDAR 或基于 RGB-D 的目标检测被用于从自动驾驶到机器人视觉的众多应用中。一段时间以来，基于体素的 3D 卷积网络在处理点云 LiDAR 数据时被用于增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进稀疏卷积方法，该方法显着提高了训练和推理的速度。我们还引入了一种新形式的角度损失回归来提高方向估计性能和一种新的数据增强方法，可以提高收敛速度和性能。.............................................
openpcdet之pointpillar代码阅读——第一篇：数据增强与数据处理
非晚非晚的博客
07-13 5553
1. 数据增强1.1 gt数据采集——gt_sampling1.2 全局翻转——random_world_flip1.3 全局旋转——random_world_rotation1.4 全局尺度变换——random_world_scaling2. 数据处理2.1 数据范围限制2.2 点云随机2.3 点云变换至pillar3. 数据收集——datalodar...............
mmdetection3d 源码学习 mvxnet（多模态融合）
Snape_的博客
03-22 5631
mmdetection3d 源码学习 mvxnet（多模态融合） 配置文件 dv_mvx-fpn_second_secfpn_adamw_2x8_80e_kitti-3d-3class.py 模型 # model settings voxel_size = [0.05, 0.05, 0.1] point_cloud_range = [0, -40, -3, 70.4, 40, 1] ##模型 图像：主干 ResNet，neck FPN；点云：voxel编码，主干second（稀疏编码），neck secon
「Apollo」Apollo感知汇总
Liiipseoroinis
12-06 4387
感知Perception概览 整个apollo perception传感器架构图如下： 整个感知模块的硬件方面包括了多个相机、毫米波雷达（前后）、激光雷达；在算法方面使用了单传感器、多传感器融合后的检测、识别，能够对障碍物进行分类、跟踪和运动轨迹的预测，除此之外还能给出障碍物的运动信息（前进方向、加速度等），给出车道相与本车的相对位置。 各传感器数据流细节如下图： 感知模块 Input 128线激光雷达数据 16线激光雷达数据 毫米波雷达数据 图像数据（相机传感器） 各传感器外参标定数据 各相机内参标
评论 2
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