PointRcnn论文之KITTI数据集

  在这项工作中，我们提出PointRCNN 3D对象检测器，以自下而上的方式直接从原始点云中生成准确的3Dbox建议，然后通过基于bin的3Dbox回归损失在规范坐标中对其进行完善。 据我们所知，PointRCNN是第一个通过仅使用原始点云作为输入进行3D对象检测的two-stage 3D对象检测器。 PointRCNN在KITTI数据集上进行了评估，并在提交时在所有已发表作品中在KITTI 3D对象检测排行榜上达到了最先进的性能。

object：label,image(图像仅用于可视化),calib,velodyne

以下这篇博文会有较为详尽的解释，是我通过不断筛选出的个人感觉较为优质的相关解析文档。

 https://blog.csdn.net/lovely_yoshino/article/details/105814646?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

下面这一篇对其中的参数做了很详尽的解释说明（各个文件的解析）

 https://blog.csdn.net/cuichuanchen3307/article/details/80596689?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.nonecase

1.雷达点云是以二进制形式存储，后缀为.bin

    每行数据表示一个雷达点：x y z intensity，其中(x,y,z)单位为米，intensity为回波强度，范围在0~1.0之间

2.图像数据是以.png格式存储，可直接查看

3.KITTI中雷达点云与图像的配准关系存放在calib.txt中

label

    对于Object检测，训练集合的标签数据在文件：data_object_label_2.zip中,其中， 每一帧对应一个标注的.txt文件

下面这篇博文为kitti 3Dobject检测数据集的使用与说明

 https://blog.csdn.net/hit1524468/article/details/79766805?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase

关于KITTI数据集

1.对于3D物体检测，label细分为car, van, truck, pedestrian, pedestrian(sitting), cyclist, tram以及misc组成。
2.KITTI数据集的数据采集平台装配有2个灰度摄像机，2个彩色摄像机，一个Velodyne 64线3D激光雷达，4个光学镜头，以及1个GPS导航系统。
3.数据集中labe（标签数据）和calib（相机矫正数据）解析

     https://blog.csdn.net/KYJL888/article/details/82844823）

4.kitti数据集中的label，calib,velodyne等分别代表什么数据？
    分别代表人工标注的真值、相机和激光雷达的标定信息和激光雷达扫到的点云。