3D目标检测——公开课 1—— 点云深度学习PointCNN

最新推荐文章于 2024-06-04 08:26:45 发布
最新推荐文章于 2024-06-04 08:26:45 发布
阅读量805 收藏 6
点赞数 2
分类专栏： 3D目标检测 点云数据处理 文章标签： 深度学习 人工智能 自动驾驶 神经网络
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_44128857/article/details/108564971
版权

3D目标检测——公开课 1 ：点云深度学习PointCNN

相关链接：视频–点云深度学习PointCNN - 卜瑞

1 点云特点

  • sparsity 稀疏性
  • disorder 无序性
  • limited information 信息有限

2 点云的一般处理方法

2.1 拍照转换为2D的处理

但丢失了结构信息

在这里插入图片描述

2.2 Voxel CNN：voxelization 体素化

在这里插入图片描述

limitations：

  • high space cost
  • computational complexity
  • low resolution

证明体素化数据稀疏的例子：

（随着体素分割的精确提高，有效的体素占比越来越小）
在这里插入图片描述

2.3 O-CNN: 八叉树的思想，只提取体素中有效的部分

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

3 用深度学习处理点云数据

3.1 PointNet系列：端到端的处理方式

3.1.1 PointNet

在这里插入图片描述
在这里插入图片描述

主要思想：对称函数

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缺点limitations：

  • no local information
  • limited translation invariance

3.1.2 PointNet++

在这里插入图片描述

在这里插入图片描述

3.2 PointCNN ：把CNN卷积运用到点云数据上

论文：论文地址
代码：PointCNN的github代码地址

FridayFreedom++
关注
专栏目录
3D目标检测2021
jacke121的专栏
11-18 2596
3D目标检测 torch: https://github.com/mrnabati/CenterFusion 预训练 98m
PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测
盼小辉丶的博客
10-07 3655
R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。
面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)...
3D视觉工坊
10-10 752
背景介绍3D检测用于获取物体在三维空间中的位置和类别信息，主要基于点云、双目、单目和多模态数据等方式。其中，点云数据由于具有较为丰富的几何信息，相比于其它单模态数据更为稳定，基于激光雷达点...
3D单目目标检测从入门到做自己的Tesla
3D视觉工坊
08-11 1541
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：林大佬 | 来源：知乎https://zhuanlan.zhihu.com/p/142776606本文仅做学术分享，如有侵权，...
3d目标检测_3D 目标检测学习笔记
weixin_39995439的博客
11-27 463
目标检测在自动驾驶，移动机器人等场景中有重要应用。基于深度学习的3D目标检测主要分为4种方法，简单记录一下MV3D、VoxelNet/PointPillars、PointRCNN、PointPainting/Frustum PointNet学习笔记。以上方法中最推荐精读的方法是PointPillars，效果不错，方法简单，最好落地。1. MultiView Projection1.1 MV3D2....
3D目标检测方案总结
AI训练师中的点滴
06-24 3149
感谢商汤学术 2022/06/22 带来的基于BEV环视感知直播课程，借助这次机会，总结了我前段时间的工作
PyTorch深度学习实战（18）——目标检测基础
盼小辉丶的博客
09-29 3754
目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地定位和识别出感兴趣的目标物体，目标是将输入图像中的目标区域框出，并为每个目标提供正确的类别标签，在许多应用领域都有广泛的应用，包括智能监控、自动驾驶、人脸识别等。在本节中，介绍了如何利用 ybat 准备训练数据集、使用 SelectiveSearch 库实现区域提议算法、对模型的预测执行非极大值抑制以及衡量模型性能。
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 2324
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
Keras深度学习实战（14）——从零开始实现R-CNN目标检测
盼小辉丶的博客
07-17 6376
R-CNN 是基于候选区域的经典目标检测算法，其将卷积神经网络引入目标检测领域。本文首先介绍了 R-CNN 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 R-CNN 的目标检测模型，最后介绍了非极大值抑制用于移除相似的预测边界框。.........
PyTorch深度学习实战（44）——基于 DETR 实现目标检测
最新发布
盼小辉丶的博客
06-04 2809
基于 DETR 的目标检测模型是将 Transformer 网络引入目标检测任务中，与传统的基于区域提议的检测方法有所不同。DETR 模型的核心思想是将目标检测问题转化为集合预测问题，通过将图像中的所有位置视为一个集合，并通过 Transformer 完成对整个集合的编码和解码过程，从而在单个前向传递中直接预测出目标的类别和边界框。在本节中，我们将学习 transformer 和 DETR 的原理，并使用 PyTorch 实现 DETR 以执行目标检测任务。
自动驾驶中的3D目标检测
01-26
2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。
【计算机科学】【2016.09】三维点云中的目标检测
01-15
本文为德国弗里恩大学（作者：ChristianDamm）的硕士论文，共54页。 随着自动驾驶车辆的不断普及，避障等挑战变得越来越重要。为了实现避障，可靠的障碍物检测是前提条件之一。虽然普通的自动驾驶车辆主要使用相机和雷达传感器来实现这一目的，但是目前激光测距传感器正在逐渐作为可实施的替代方案。由于激光传感器的精度很高，在不同的工业领域中得到了广泛的应用。通常，传感器数据被用作点云的形式。在本篇硕士论文中，提出了一种基于点云的障碍物检测方法。因此，进行可靠障碍检测的几个子任务，如下采样和平面分割等得到了实现。最后，提出了一种基于线性卡尔曼滤波的障碍物跟踪算法，在自动驾驶车辆MadeInGermany（MIG）的多个测试驱动器内进行了实验评估。
《深度学习3D点云理解》综述论文
09-21
随着自动驾驶和机器人技术等实际应用的发展，人们越来越关注对3D点云的理解。虽然深度学习在基于图像的任务上取得了显著的成功，但深度神经网络在处理大量、非结构化和噪声的三维点时仍面临着许多独特的挑战。
深度学习3D点云分割综述.zip
01-27
这篇综述主要是对当前在3D点云应用上表现优异的深度学习方法进行调查研究。我们首先探讨将深度学习直接应用到点云上所面临的挑战，简短地讨论早期通过将点云预处理为结构化数据从而克服上述挑战的方法。然后会回顾各种表现优异的深度学习方法，这些方法可以直接将点云处理为非结构化的网格数据。最后，我们会介绍一些常用的3D点云基准数据集，进一步探讨深度学习在分类，分隔，目标检测等3D视觉任务中的应用。
基于深度神经网络自动编码器的三维点云配准
09-17
一篇采用机器学习的点云配准的论文，通俗地说就是通过将点云用一个个球体分成很多个小快，对每一块投影成深度图，然后采用深度神经网络对深度图进行特征压缩，最后压缩成一个5×2的矩阵做为一个特征，也就是文中所说的描述子（descriptor）。通过这些描述子的位置关系可以进行粗配准，最后文章也还是采用了ICP进行精配准。
【点云识别】Point-Voxel CNN for Efficient 3D Deep Learning (NIPS 2019)
Orientliu96的博客
04-06 1022
Point-Voxel CNN for Efficient 3D Deep Learning 本文介绍一篇NIPS 2019里面关于点云识别的文章。 论文 代码 1. 问题 目前的点云处理框架主要分为两大类 Voxel-based Point-based PointNet的问世，极大地促进了Point-based类方法的发展。 因为voxel类方法的缺陷很难解决，内存需求太大。 64x64x64...
三维点云课程（五）——深度学习
HUASHUDEYANJING的博客
07-18 927
深度学习过程就是优化一个函数。
[论文阅读]PointRCNN——基于点云的3维目标提议生成和检测
热门推荐
qq_53909832的博客
09-06 1万+
PointRCNN论文阅读
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