【三维目标检测】FCAF3D（一）

Coding的叶子

已于 2023-05-12 10:00:21 修改

阅读量4.8k

点赞数 2

分类专栏： Python三维点云实战宝典文章标签： FCAF3D 三维目标检测深度学习人工智能 3d

于 2022-12-14 07:45:47 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/128294613

版权

Python三维点云实战宝典专栏收录该内容

94 篇文章 ¥79.90 ¥99.90

订阅专栏

超级会员免费看

本文详细介绍了FCAF3D，一种在ECCV 2022发表的全卷积无锚点3D目标检测算法。FCAF3D避免了对物体几何形状的先验假设，通过anchor-free方式提高模型泛化能力。文章涵盖了源码、数据处理、模型训练、MinkowskiEngine的使用，以及FCAF3D的模型结构、bbox编码、损失函数等内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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”。

FCAF3D是一种anchor-free的全卷积室内三维目标检测算法，由三星公司发表在ECCV 2022 《FCAF3D: Fully Convolutional Anchor-Free 3D Object Detection》，论文地址为“https://arxiv.org/abs/2112.00322”。现有的 3D 物体检测方法使得对物体几何形状的先验假设，作者认为它限制了模型的泛化能力。FCAF3D采用anchor-free的方式避免这种提前假设，是一种纯粹数据驱动的方法。目前，该方法发布时在ScanNet V2 (+4.5)、SUN RGB-D (+3.5)和S3DIS (+20.5) 数据集上均取得了最好的结果。下图所示排名数据和图片来源于paperwithcode官网（2022.12.12），目前FCAF3D仍然排名比较靠前，地址为“https://paperswithcode.com/sota/3d-object-detection-on-sun-rgbd-val”。