三维点云学习（6）3-3D Object Detection-VoxelNet,PointPillars

最新推荐文章于 2024-01-07 19:15:00 发布
最新推荐文章于 2024-01-07 19:15:00 发布
阅读量441 收藏 6
点赞数 3
分类专栏： 3D点云学习
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/weixin_41281151/article/details/107826681
版权

三维点云学习（6）3-3D Object Detection-VoxelNet,PointPillars

处理三维点云的检测的方法

在这里插入图片描述

MV3D

在这里插入图片描述

VoxelNet

在这里插入图片描述
在这里插入图片描述

不想run空的volex处理方法

K- 最大的非空volex
T- 在每个volex中最大的点数
step1.定义两个containers容器
容器1：存储 K*T*7 个信息， k是非空volex ，T是volex存储的点，7是每个点包含7个信息（表征点的位置，透明度，相对位置）
容器2：K*3 存储每个volex的coordinate
step2.填充以上两个容器
step3.VFE 跑k次VEF
step4.从新放到容器中，并把空的volex补0

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
非常规表达
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Loss Function

在这里插入图片描述

FocalLoss

解决类别不均衡问题
在这里插入图片描述
在这里插入图片描述

KaHoWong
关注
专栏目录
【三维目标检测】Pointpillars（二）
叶子的博客
07-20 5639
PointPillars是一种基于体素的三维目标检测算法，发表在CVPR2019《PointPillars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Inteli7CPU和1080tiGPU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。.........
【三维目标检测】Pointpillars（一）
叶子的博客
07-19 5782
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。.....
onnx 测试_pointpillars 在 kitti 训练及 ONNX 模型转换
weixin_36454202的博客
12-31 673
该网络主要通过 second 的代码实现，在win10， Ubuntu 16.04 都编译通过了，其中需要注意的几个点记录下：win10下编译 spconv 成功后，会出现 nms-gpu 方法找不到的情况，我在 issue 上看到有人也反应了这个问题，后续通过把 nms-gpu 替换为 nms_cpu 方法后解决；编译 spconv 注意 cmake 版本不要太高了，和作者一样的 13.2 就没...
VoxelNet-＞SECOND-＞PointPillars
W1995S的博客
04-02 2125
VoxelNet->SECOND->PointPillars 相比于图像，激光点云数据是 3D 的，且有稀疏性，所以对点云的前期编码预处理尤其重要，目前大多数算法都是在鸟瞰图下进行点云物体检测，由此对点云的编码预处理主要有两大类方法： 以一定的分辨率将点云体素化，每个垂直列中的体素集合被编码成一个固定长度，手工制作的特征，最终形成一个三维的伪图像，以此为代表的方法有 MV3D，AVOD，PIXOR，Complex YOLO； PointNet 无序点云处理方式，以此为代表的方法 Frustum
模型部署——pointpillars转一个onnx
xiaohu的博客
10-07 2216
在torch和onnx精度对齐过程中发现，scatterND reshape输出值，有部分为nan，影响后续计算，决定认为将值为nan替换为0,可以在onnx图中看出多了isnan和where节点。本文转的onnx是静态的，也可以将voxel个数改为动态输入。
PointPillars-＞ONNX-＞TensorRT加速学习记录
m0_45388819的博客
08-23 1218
PointPillars->ONNX->TensorRT加速学习记录 【模型加速】PointPillars模型TensorRT加速实验(1) 【模型加速】PointPillars模型TensorRT加速实验(2) 【模型加速】PointPillars模型TensorRT加速实验(3) 【模型加速】PointPillars模型TensorRT加速实验(4) 【模型加速】PointPillars模型TensorRT加速实验(5) 【模型加速】PointPillars模型TensorRT加速实验(6
OpenMMlab导出PointPillars模型并用onnxruntime推理
最新发布
taifyang的博客
01-07 880
通过mmdeploy的tool/deploy.py脚本容易转换得到PointPillars的end2end.onnx模型。
课程笔记-三维点云处理06 ——3D Object Detection（下）
Jason_____Wang的博客
04-18 361
课程笔记-三维点云处理06 ——3D Object Detection（下） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第六章的笔记！ 由于第六章继续进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 本息可主要讲3D物体感知的昂发，介绍基于图像的、基于体素和点云的、以及基于融合的3D物体感知深度学习方法及经典理论 课程链
课程笔记-三维点云处理06 ——3D Object Detection（上）
Jason_____Wang的博客
04-13 835
课程笔记-三维点云处理06 ——3D Object Detection（上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第六章的笔记！ 由于第六章继续进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 本息可主要讲3D物体感知的昂发，介绍基于图像的、基于体素和点云的、以及基于融合的3D物体感知深度学习方法及经典理论 课程链
基于深度学习的3D目标检测综述-Deep Learning-Based 3D Detection: A Review
dsoftware的博客
08-22 6223
引言 传统的2D目标检测，是得到目标物体的类别，以及图像平面内的包围盒，因此包含的参数为类别c，包围盒的中心(x,y)，长宽(length, width)。 而3D检测的任务是得到目标物体的类别(Classification)以及带朝向的3D包围盒(Oriented 3D Bounding Boxes)，因此，其包含类别c，位置(x, y, z)，size(length, widith, heig...
【3D 目标检测模型部署】全链条打通！PointPillars 从模型到部署
qq_39967751的博客
07-14 8385
近几年点云目标检测一直是计算机视觉领域中很火的任务，各种方法也是层出不穷，从基于点云的PointNet、PointNet++，到使用体素方法的VoxelNet。这些网络取得了不错的检测性能，但同时也存在一些问题。PointNet系列的Point-based模型直接对点云进行处理，可以减少位置信息的损失，但同时也带来了巨大的计算资源消耗，使其很难做到实时。我们来看一下PointPillars中的PillarFeatureNet模块的具体操作，如下图所示。outshttps。......
VoxelNet：End_to_End Learning for Point Cloud Based 3D Object Detection 论文学习与解读
weixin_43508459的博客
10-22 1082
Introduction LiDAR（激光雷达）获取到的点云数据存在存在很高的随机点密度，这是由非均匀的3D空间采样，对一系列有效的传感器的遮盖和相关的动作。为了解决解决这个问题，很多方法采用人为手工制作点云的特征表现来用于3D物体识别。 然而手工的方法在获取3D类型信息和获取侦测任务所需的不变信息中会产生瓶颈 RPN Region Proposal Network，用于生成候选区域（Region Proposal） RPN 包括以下部分： 生成 anchor boxes（锚框） 判断每个 a
PointPillars 工程复现
Darchan的博客
07-29 7425
PointPillars 工程复现， 学习并复现PointPillars，解决部署时遇到的各类问题。
pointpillars deployment 学习
huang_victor的博客
03-08 2577
pointpillar/centerpoint 模型部署
使用 NVIDIA CUDA-Pointpillars 检测点云中的对象
专注于人工智能领域的小何尚
06-22 1363
点云是坐标系中点的数据集。 点包含丰富的信息，包括三维坐标X、Y、Z； 颜色; 分类值； 强度值； 和时间。 点云主要来自各种 NVIDIA Jetson 用例中常用的激光雷达，例如自主机器、感知模块和 3D 建模。关键应用之一是利用远程和高精度数据集来实现感知、映射和定位算法的 3D 对象检测。PointPillars 是用于点云推理的最常用模型之一。 这篇文章讨论了面向 Jetson 开发人员的 NVIDIA CUDA 加速 PointPillars 模型。 立即下载 CUDA-PointPillars
在Xavier上部署CUDA-PointPillars
Furtherisxgi的博客
04-30 1587
首先下载pytorch v1.10.0的whl文件，我最开始下载的是v1.8.0版本的pytorch，但是在最后导出onnx模型的时候报torch中onnx的错，把pytorch的版本换成v1.10.0就好了。的数据集，这个数据集是新加的，需要安装av2库才能够读取这个数据集，但是av2不支持python 3.6，python3.8就可以，就非常的扯，所以就下载0.5.0版本的OpenPCDet。在安装的过程中可能会报错，一般是缺少某些编译库，在网上搜索一下报错信息，然后把缺少的依赖库安装上就可以。
【玩转PointPillars】Ubuntu16.04虚拟环境中安装onnx-tensorrt
07-07 1115
之所以安装onnx-tensorrt，是因为PointPillars用Pytorch训练的模型在转onnx后，我们借助onnx-tensorrt使用tensorrt进行模型推理，以达到模型加速的目的。 凡是不申明自己环境的软件部署都是耍流氓，我在尝试了多个不同的软件环境(包括操作系统，Python,CUDA等)后，在以下环境中成功了。 ubuntu 18.04 cuda 10.2 python 3.6 TensorRT 7.1.3.4 protobuf 3.14.0 cmake...
关于VoxelNet VFE和PointPillar的PFN_Layer记录
加油赚钱养辣辣
04-25 2853
PointPillar PointPillars.py """ PointPillars fork from SECOND. Code written by Alex Lang and Oscar Beijbom, 2018. Licensed under MIT License [see LICENSE]. """ import torch from torch import nn from ...
PointPillars:点云物体识别的快速编码
3D视觉工坊
05-13 2633
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：Panzerfahrer链接：https://zhuanlan.zhihu.com/p/107975261本文转载自知乎，作者...
深度学习在三维点云分类中的应用挑战和解决方案
"使用深度学习的三维点云分类的介绍" 基于深度学习的三维点云分类是一种新的研究方向，旨在解决三维点云数据中的挑战。点云是指由三维空间中的点组成的集合，具有非结构化、无网格、可变点数等特点。对点云数据的...
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