点云3D目标检测学习(3):Complex YOLO

最新推荐文章于 2024-04-25 09:53:16 发布
最新推荐文章于 2024-04-25 09:53:16 发布
阅读量3.6k 收藏 2
点赞数 1
分类专栏： 点云 学习记录 文章标签： 深度学习 计算机视觉 人工智能
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_44645198/article/details/123844239
版权

Complex YOLO

CVPR 2018的一篇文章
因为对YOLO相对熟悉一些，因此以Complex YOLO 做为第一个学习的3D目标检测模型

主要贡献

1、检测速度快的3D检测网络
2、使用E-RPN计算3D框的朝向
3、能够一次预测多个类
在这里插入图片描述

点云的数据处理

将点云数据转为鸟瞰图，选择左右80m，前方40m作为检测区域，8cm划分栅格
然后提取强度密度高度特征组成RGB图，这里的RGB图只是仿照图像的，组成三个通道
在这里插入图片描述

网络结构

这里的网络的结构主要使用的YOLOv2,因为后续的YOLO网络还没提出来
关于YOLOv2网络不再赘续了，可以参考其他博客
这里说一下针对3D目标检测不一样的地方
在这里插入图片描述
因为是3D目标检测，因此最后回归出来的结构不一样，增加了两个，分别是中线点坐标，目标框的长宽，置信度以及增加的用于计算目标角度（yaw角）的实部和虚部，cartan进行计算
在这里插入图片描述
要想计算出3D框，还缺少一维参数，论文中将高度进行预先定义，每一个类别固定一个高度。

损失函数

损失函数除了原来YOLO的，还增加了欧拉回归部分损失，也就是计算yaw角的损失，看下面的损失函数，很容易看明白
在这里插入图片描述
在这里插入图片描述

检测结果图

在这里插入图片描述

吴大炮
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
端到端的3D点云目标检测：Complex-YOLO（一）———KITTI数据集解析
“知识最大的敌人不是无知，而是错觉”
05-26 5849
博主最近一直都在看3D点云目标检测，且有一个可视化课设要结，还有一个CV课设，太酸爽了。 搜了一些paper，发现3D点云目标检测论文都不带公开源码的，GitHub上找项目配置来配置去总是会报一系列的错误，比如我上一个博客想要把CenterPoint跑起来，结果夭折了，配了半天（且把办公室的电脑重装了n遍系统），最终还是放弃了，毕竟玩不懂nuScenes数据集。 BUT!!! 带YOLO字眼的检测项目简直就是正道的光啊！！而且KITTI数据集明显更容易分析~ 那就开始我们的3D点云检测之旅吧。 文章目录.
YOLO系列专题——Complex-YOLO
爱做菜的炼丹师
12-25 3268
Complex-YOLO是2018年的一篇点云目标检测的文章，发表于arXiv[cs.CV]。文章链接：An Euler-Region-Proposal for Real-time 3D Object Detection on Point Clouds核心思想：本文基于YOLOv2版本的变异，通过把3D点云降维到2D鸟瞰图的方式，将图像检测的网络用于点云的目标检测中。出于降维后信息的损失考虑，本...
探秘高效目标检测：Complex-YOLOv4-PyTorch
最新发布
gitblog_00097的博客
04-25 405
探秘高效目标检测：Complex-YOLOv4-PyTorch 项目地址:https://gitcode.com/maudzung/Complex-YOLOv4-Pytorch 项目简介 Complex-YOLOv4-PyTorch 是一个基于 PyTorch 实现的优化版 YOLOv4 目标检测框架。YOLO（You Only Look Once）是深度学习领域中著名的实时物体检测算法，而 Co...
3D点云目标检测Complex-YOLO（训练篇）（一）———KITTI数据集预处理与制作
“知识最大的敌人不是无知，而是错觉”
06-18 6054
KITTI dataset Download dataset KITTI 3D Object Detection Evaluation 2017 link 下载四个部分，共41.4GB 解压后为四部分内容（相机校准矩阵calib、RGB图像image_2、标签label_2、点云数据velodyne） 对应的testing和training数据。其中，training数据为7481张（图片和点云对应的场景）,testing数据 7518张（无label_2数据）。 Data Preprocess
complex-YOLOv4（二）：浅test下complex_yolov3源码
qq_45275571的博客
03-31 2954
一、代码下载和环境准备 $ git clone https://github.com/ghimiredhikura/Complex-YOLOv3 $ cd Complex-YOLO-V3/ $ sudo pip install -r requirements.txt 建议装到Anaconda虚拟环境中，因为这个代码是三年前发的了，配置的第三方库都是旧版本，仅仅适用于当前的项目。用完删掉就好，不会污染环境。 二、快速测试（不用下载KITII数据集） 1、首先下载预训练权重 $ cd checkpoints/
基于YOLO的3D目标检测（激光雷达点云）课程设计
03-05
基于YOLO的3D目标检测（激光雷达点云）课程设计
目标检测YOLO实战应用案例-基于点云数据的3D目标检测与跟踪
04-15
目标检测YOLO实战应用案例-基于点云数据的3D目标检测与跟踪
YOLO 3d打印缺陷检测数据集
03-04
数据集样本数量为5870，所有图片已标注为YOLO txt格式，划分为训练集、验证集和测试集，能直接用于YOLO算法的训练。可用于YOLO3d打印缺陷检测模型训练，机器学习，深度学习，人工智能，python，pycharm。
DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测
04-11
以YOLO系列为代表的目标检测模型得到了广泛的应用，并在高质量的数据集上取得了很好的成绩，但并不是所有的工作条件都是理想的。为了解决在低质量数据集上定位目标的问题，现有方法要么训练新的目标检测网络，要么...
yolo3d目标检测识别，使用opencv技术基于深度学习
03-09
基于OpenCV的使用YOLOv3进行目标检测,使用YOLO神经网络的实时目标检测代码。
complex_yolov4_pytorch预训练模型
06-01
complex_yolov4_pytorch预训练模型，详细介绍和使用方式请参考csdn博客：https://blog.csdn.net/suiyingy/article/details/125087396。
YOLO3D-YOLOv4-PyTorch:YOLO3D
04-12
YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyn
YOLO3D End-to-end real-time
08-29
在本文中，我们提出了一种新的深度神经网络。对于给定的三维传感器捕获的数据，它能够联合进行三维检测、跟踪和运动预测。 通过共同进行这些任务，我们的整体方法对于遮挡以及范围内的稀疏数据鲁棒性更强。 我们的方法在空间和时间上对3D鸟瞰图执行三维卷积，这在内存和计算方面都非常有效。 我们在北美几个城市拍摄的一个新的超大型数据集上进行的实验表明，我们可以大幅度超越最先进的技术。 重要的是，通过共享计算，我们可以在30毫秒内执行所有任务。
使用RGBD相机实现YOLOv3目标识别并测距，获取物体三维坐标
热门推荐
qqsuiying的博客
08-15 1万+
设备环境：Ubuntu18.04+rosmelodic 相机：乐视相机（乐视遗产，和奥比中光的AstraPro同方案，便宜） 1.首先要安装一部分依赖 sudoaptinstallros-$ROS_DISTRO-rgbd-launchros-$ROS_DISTRO-libuvcros-$ROS_DISTRO-libuvc-cameraros-$ROS_DISTRO-libuvc-ros 2.我建议建立一个空的工作空间，供调试(当然，也可以放入自己原有的ros工作空...
complex-YOLOv4（一）：Kitti数据集解读
qq_45275571的博客
03-27 4288
complex-YOLOv4（一）：Kitti数据集解读一、kitti数据集下载二、kitti数据集解读2.1 data_drive文件2.2 data_drive_tracklets标签文件2.2.1 每帧标注2.2.2 对轨迹标注2.3 data_calib文件三、Kitti数据集分析 一、kitti数据集下载 下载链接： http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d 下载29G点云文件，12G的左RGB文件
目标检测YOLO实战应用案例100讲-基于点云的三维多目标检测算法研究(续)
qq_36130719的博客
04-21 72
三维环境信息的获取是三维感知的基础，为了更好的获取三维信息，发明了各式各样的传感器。其中，有能够获得物体表面纹理和色彩信息的RGB相机，有能够获得物体位置和距离信息的激光雷达，有能够获取物体表面到传感器位置的深度相机，还有既能够获取色彩信息又能够获得距离信息的RGB-D相机。图2.1列出了几种常见的三维传感器。不同传感器获取信息之后，以不同的数据格式保存。常见的相机以RGB图像存储，具有丰富的语义信息，在计算中始终以二维矩阵的形式参与计算，R、G、B三通。
点云算法对比ICP、NDT，LM，Ceres-Solver，KDTree，SVM和ComplexYOLO、CenterPoint、PNP
人生得意须尽欢
01-29 6966
YOLOV3 YOLOV4 CenterNet 笔记本 thikpad 960max() X1 1650ti 台式机 1050ti 1：YOLOV3和YOLOV4对比: onnx的输入size trt的输入size必须一样 thindpad GTX 940max int8 yolov4 31ms yolov3 20ms fp16 yolov4 52ms yolov3 47ms fp32 yolov4 53ms yolov3 20ms 1650ti (fp32)
三维目标检测算法汇总学习笔记
dujuancao11的博客
08-05 6895
原文链接:https://mp.weixin.qq.com/s/_HdGVC6orkL2zfiv5sqrMw 2D与3D区别 3D目标检测面临更多的挑战，主要的体现在不仅要找到物体在图像中出现的位置，还需要反投影到实际3D中获得空间中准确位置，需要进行绝对的尺寸估计。 现代自动驾驶汽车通常配备多个传感器，如激光雷达和摄像头。 激光雷达的优点是可直接获取空间目标的三维信息，且该深度信息精度较高，缺点价格稍贵； 相机的优点是可以保存更详细的语义信息，缺点是需要正确计算图像点与三维点的对应关系。 3..
适合小目标检测的YOLO网络
04-03
在目标检测领域中，YOLO（You Only Look Once）是一种流行的深度学习算法，它可以实现实时目标检测。然而，YOLO在处理小目标时可能会遇到一些挑战，因为小目标往往很难被正确地识别和定位。因此，研究人员提出了一些适合小目标检测的改进版YOLO网络。 以下是一些适合小目标检测的YOLO网络： 1. YOLOv3-tiny：这是YOLOv3的一个轻量级版本，它使用了更少的卷积层和参数，以提高小目标检测的性能。 2. YOLOv4-tiny：这是YOLOv4的一个轻量级版本，它通过引入SPP（Spatial Pyramid Pooling）模块和PAN（Path Aggregation Network）模块来提高小目标检测的准确性和效率。 3. YOLO-LITE：这是一种基于YOLOv2的轻量级网络，它使用了深度可分离卷积和上采样技术来提高小目标检测的性能。 4. Tiny-YOLOv2：这是YOLOv2的一个轻量级版本，它采用了更小的网络结构和更少的参数，以提高小目标检测的准确性和效率。 这些适合小目标检测的YOLO网络都可以用于实时目标检测任务，特别是在移动端和嵌入式设备上的应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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