- 博客(12)
- 收藏
- 关注
RSS订阅原创 Voxel R-CNN代码复现
论文：[2012.15712] Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection。此外，由于电脑GPU内存等问题，如果报内存不足，在不改变电脑配置情况下，可更换小的数据集跑通，但模型最后的平均精度会有所下降。我用的是自己构建的mini-kitti数据集，最后结果和文章中给出的还差一些，毕竟数据量少，也可以理解。原代码用的是分布式训练，我的电脑是单卡，我把程序直接改为单卡训练了。直接上最后预测结果吧。
2025-04-29 15:03:31
241
原创 win11 ubuntu18.04 docker安装及镜像拉取遇到的问题
还有一个问题docker GPU 的配置，win 还算顺利,ubuntu的可能由于版本和网络限制问题，有点复杂。在win 和ubuntu是不一样的！我的代码和数据在硬盘里。用GPU 挂载命令要加 --gpus all。在win里是F盘，但在ubuntu里不是。ubuntu18.04的挂载命令。
2025-04-24 16:56:36
146
原创 学习笔记 | Pointpillar点云体素化
然后对于每个网格所对应的柱子中的每个点都取（x,y,z,r,x_c,y_c,z_c,x_p,y_p）9个维度。每个柱子中点多于N的进行采样，少于N的进行填充0.于是形成（D,N,P）D=9,N为点数（设定值），P=H*W。然后学习特征，用一个简化的PointNet从D维中学出C个channel来，变为（C,N,P），然后对N进行最大化操作操作变为（C，P）,又因为P是H*W的，我们再展开成一个伪图像形式，H,W为宽高，C为通道数。2.2D卷积基础网络，用于将伪图像处理成高维特征表示；
2024-12-10 19:52:48
478
原创 学习笔记 | Second算法
稀疏中间层特征提取如上图所示，其中黄色框表示稀疏卷积，白色框表示子流形卷积，红色框表示稀疏到密集层。可以发现其有两个稀疏卷积阶段，每个阶段有多个子流型卷积层和一个正常稀疏卷积层对z轴进行下采样。，但是对于角度预测进行了改进。这是由于VoxelNet直接预测弧度偏移，但在0和π的情况下会遇到一个对立的问题，因为这两个角度对应的是同一个盒子，但当其中一个被误认为是另一个时，会产生很大的损失。作者在最后的RPN层（原来是两个分支，用来物体分类和位置回归）多引入了一个分支（如下图5所示），用来对。
2024-12-06 12:55:55
392
原创 学习笔记 | Pointnet++ 原理 及分类分割代码详解
例如 对红色上面的三个点取个权值进行相加，最终就可以得到蓝色这一层上面x的值。权值的取法，距离x的值越近，权值越大，距离x的值越远，权值越小。分类网络只要通过这样逐层的提取局部特征，最后总结出全局特征就可以输出分类结果问题了。对于分类 三组合完事之后，要过全连接然后输出每一个分类的分数即可。N 代表点云的数目 d 数据存储的维度 C 特征存储的维度。首先将点云提取一个全局特征 再通过这个全局特征逐步上采样。通过这两种方式进行上采样，最终得到点的不同类别的分数。
2024-12-05 19:31:29
611
原创 学习笔记 | Pointnet学习笔记 原理+代码理解
输入n*3 经过T-net 对它进行一个旋转，然后通过mlp对它进行一个升维，升到64维，然后再经过T-net 对它进行一个旋转，旋转到一个准确的角度，再通过MLP进行升维，得到n*1024维，然后做了一个最大池化，对称函数 ，经过最大池化得到1*1024维的矩阵，是全局特征。输入n*3点云 n个点 ，每个点3个数表示，经过T-Net网络生成一个3*3的矩阵，让点云与这个矩阵相乘得到校正后的方向，相当于旋转到一个准确的方向，再进行接下来网络的训练。，使得点云数据更加标准化、对齐，减少噪声的影响。
2024-11-29 16:50:16
591
原创 DETR复现：基于transformers的目标检测
修改models/detr.py文件，build()函数中，可以将红框部分的代码都注释掉，直接设置num_classes为自己的类别数+1。新建py文件，mydataset.py，使用如下代码，修改num_classes为自己的类别数+1。打开Anaconda Prompt 创建并激活环境detr-main,这里要用到的只有创建与激活。有时候网站不好用，网站下载速度较慢，可以选择百度网盘下载，一搜就能搜到。生成pth文件 detr-r50-e632da11.pth。3.下载预训练权重文件，生成pth文件。
2024-07-03 09:52:22
1495
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人