3D视觉
文章平均质量分 95
慢下去、静下来
这个作者很懒,什么都没留下…
展开
-
PointRCNN:3D Object Proposal Generation and Detection from Point Cloud
目录前言论文及代码链接论文动机PointRCNN主要模块分析总结及个人思考前言 这篇论文比较老了,是2018年12份上传到arxiv的,虽然也就才几年,但是对于现在深度学习相关领域日卷月卷的情况而言,确实有点太旧了。这是我前段时间阅读的第一篇两阶段的3D目标检测论文,也许是看了它之后的PV-RCNN,Voxel-RCNN,现在看起来这个算法没有什么新奇点。当然这也是我不客观地从现在的角度去看,毕竟这算法曾经风流过。 个人感觉,如果对于二阶段目标检测算法已经有了大概的一个了解,这篇论文可以不去深究了原创 2022-04-29 23:42:37 · 1756 阅读 · 0 评论 -
Point-Voxel CNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
其实PVCNN这篇论文十分好理解,采用的模型也十分简单,就是通过卷积的方法去提取局部特征,然后通过插值进行上采样,最后将上采样的特征直接concat到点云原始特征,之后就是pointnet那一套了。这篇论文最大的亮点是可以让我们更直观深入地理解基于体素的方法与基于点的方法的区别,文章中不仅指出了两种方法的局限,也给出了相应的实验与分析。原创 2022-04-25 21:23:16 · 939 阅读 · 0 评论 -
PV-RCNN:Point-based与Voexl-based共同成就的高性能3D目标检测网络
现阶段的3D目标检测方法主要可以分为两大类,一个是采用pointnet及其变种直接对点云进行处理,即point-based。一种是将点云数据转化成规则的体素,通过三维卷积进行特征提取,即voxel-based。两种方法没有绝对意义上的孰优孰劣,各有各自不同的特点。得益于稀疏卷积,voxel-based方法的显存占用与计算量大大减少,但是体素化带来的信息损失仍然不可避免。而point-based方法虽然利用了完整的,也是最原始的点云信息,但是这类方法都会通过SA操作来提取局部空间信息,SA操作中的近邻搜索过于原创 2022-04-22 23:29:53 · 3196 阅读 · 0 评论 -
Voxel-RCNN:基于体素化的高效率3D目标检测算法
目录论文及代码链接论文背景及动机网络整体结构与关键module分析整体结构关键module分析论文及代码链接论文链接:论文链接代码链接:代码链接论文背景及动机 目前3D目标检测方法主要有Voxel-based方法与Point-based两大类。两种方法各个各的优点与不足,主要表现在:基于voxel的方法在点云进行体素化的时候,绝大部分体素都是空的,但是进行3DCNN卷积的时候,空的卷积需要补0,这就会造成很大的显存消耗与计算量,目前这个问题已经通过稀疏卷积得到较好的解决(可以看一下SECON原创 2022-04-16 15:44:22 · 3667 阅读 · 0 评论 -
Pointnet以及Pointnet++论文笔记
目录论文及代码链接Pointnet部分论文研究背景Pointnet的思想三级目录论文及代码链接Poinenet论文链接:论文链接代码链接 官方代码(TF1.0.1) 大佬复现版本(Pytorch1.0)Pointnet++论文链接:论文链接代码链接: 官方代码(TF1.2) 大佬复现版本(Pytorch1.3,里头有也Poinenet的实现)Pointnet部分论文研究背景点云是3D物体的最自然的表现形式,具有最完整的物体的几特征,然而点云具有无序性(irr原创 2022-04-06 13:41:38 · 4122 阅读 · 4 评论