【论文阅读】【3D目标检测】PV-RCNN++

最新推荐文章于 2024-08-08 04:56:57 发布
最新推荐文章于 2024-08-08 04:56:57 发布
阅读量3.2k 收藏 7
点赞数 1
文章标签： PVRCNN 3D目标检测
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/wqwqqwqw1231/article/details/113923665
版权
PV-RCNN++是PVRCNN的升级版，针对3D目标检测效率进行了优化。文章中提到，PVRCNN的主要瓶颈在于point-based network，因此引入了SPC（Sample Proposal Center）策略，通过预测提案选择靠近物体的点，减少FPS计算的点数，并按角度划分进一步优化。此外，为了改进voxel特征聚合，提出了VectorPool aggregation，它使用局部向量表示来保持相对位置信息，避免了radiusNN和MLP导致的计算延迟。在KITTI上，PV-RCNN++实现了每帧0.06秒的运算速度。
摘要由CSDN通过智能技术生成

文章目录

论文：PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection

PVRCNN的作者又放出了PVRCNN++，主要在效率上做了改进。

PV-RCNN++

本文首先介绍了PVRCNN，然后基于PVRCNN的框架介绍了PVRCNN++的改进。PVRCNN就不介绍了，可以详见另一篇博客。

PVRCNN速度慢主要是慢在了point-based network这个部分。PVRCNN对做了如下改进。

SPC

FPS比较慢，因为FPS是 O ( n 2 ) O(n^2)

最低0.47元/天 解锁文章
麒麒哈尔
关注
专栏目录
论文阅读笔记 | 三维目标检测——PV-RCNN++算法
Clichong
12-08 2188
PV-RCNN++的基本原理延续这PV-RCNN：基于体素的策略可以更有效地编码多尺度特征，并从大规模点云生成高质量的3d候选框；而基于点的策略可以保留精确的位置信息，并具有灵活的感受野，用于细粒度的建议细化。 在PV-RCNN的基础上，PV-RCNN++对其进行了改进。改进的第一点就是关键点的采样，这里提出了分区关键点采样策略（sectorized proposal-centric keypoint sampling strategy），要比原始的距离最远点采样更加高效（D-FPS距离最远点采样的具有二
PV-RCNN++网络结构和代码解析
NNNNNathan的博客
04-22 6303
1、前言 这篇文章废话不多说了，主要史帅基于PV-RCNN上面进行的改进，本文不会从头构建网络并进行解析，对于PV-RCNN不了解的小伙伴可以先去看我之前的文章。 PV-RCNN论文和逐代码解析（一）_NNNNNathan的博客-CSDN博客_pvrcnn代码复现1、前言当前的点云3D检测主要分为两大类，第一类为grid-based的方法，第二类为point-based的方法。grid-based的方法将不规则的点云数据转换成规则的3D voxels （VoxelNet， SECOND ....
3D目标检测~模型汇总
最新发布
weixin_36472962的博客
08-08 99
一共总结了6篇文章，分别从模型结构提升3D Detection任务的检测精度。这几篇文章分别从，稀疏卷机算子，CNN模型结构，Transformer模型结构，后处理几个方面改进了纯Lidar Detection任务。模型结构要从算子说起，基于稀疏卷积算子的点云检测模型一直以来是3D PointCloud Detection...
人工智能之PV-RCNN++ | 利用Transformer和Voxel Query让Point与Voxel更好结合成就3D检测
人工智能讲师分享前沿技术
09-02 1011
随着自动驾驶、机器人系统和虚拟现实的发展，2D 和 3D 领域的目标检测变得越来越重要。通过各种数据表示（例如，单目图像、立体相机和 LiDAR 点云）在 3D 目标检测方面取得了很大进展。与从 2D 图像中检测 3D 目标相比，LiDAR 点云在检测 3D 目标中发挥着关键作用，因为它包含相对精确的深度和 3D 空间结构信息。和。将点离散为规则网格以方便 3D 稀疏卷积神经网络 (CNN)。然后，可以将体素化的特征图压缩为鸟瞰图（BEV），然后将其送到区域建议网络（RPN）以产生预测。相反，
【3D 目标检测】PV-RCNN++
qq_36380978的博客
09-17 1690
一 核心思路 在开始本博客的阅读时，需先对PVRCNN进行大体的了解，也就见我的另一篇博客 【3D 目标检测】PVRCNN详解(个人阅读心得并总结其他人的结论得出的文章)_qq_36380978的博客-CSDN博客 这篇文章是在PVRCNN的基础上进行改进的。主要是为了提升效率，降低运算成本。主要的创新点在于提出了sectorized proposal-centric key point sampling strategy和VectorPool。第一个创新是为代替在PVRCNN上的Keypoints
PV-RCNN++ | 利用Transformer让Point与Voxel更好结合
CV_Autobot的博客
09-04 1206
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！outdoor LiDAR点云中的前景点（即物体）和背景点之间经常存在很大的不平衡。它阻碍了检测器专注于信息区域以产生准确的 3D 目标检测结果。本文通过语义Point-Voxel特征交互提出了一种新颖的目标检测网络，称为PV-RCNN++。与...
[论文阅读]PV-RCNN++
qq_53909832的博客
11-07 1040
PV-RCNN++论文阅读
论文小结：PV-RCNN
u013086672的博客
12-17 1223
PV-RCNN收录于CVPR 2020。文章一作作者是来自香港中文大学MMLab实验室的博士Shaoshuai Shi，这是我知道的他的第三篇一作论文，前两篇分别是PointRCNN（CVPR 2019）、Part A^2 Net（PAMI）。这是一篇将Voxel-base方法和Point-base方法进行深度结合的文章，充分结合了两种方法各自的优势，算是一个集大成者。
【论文解读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
lwk___123的博客
01-22 1573
我们提出了一种新的高性能3D对象检测框架，称为PointVoxel RCNN（PV-RCNN），用于从点云中精确检测3D对象。我们提出的方法深度集成了三维体素卷积神经网络（CNN）和基于PointNet的集合抽象，以学习更具判别力的点云特征。它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活感受野。具体而言，所提出的框架通过新颖的体素集抽象模块将具有3D体素CNN的3D场景总结为一小组关键点，以节省后续计算并对代表性场景特征进行编码。
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1575
基于voxel（paper中提到的是grid-based）的方法计算效率更高，但不可避免的信息损失降低了细粒度定位精度；而基于point的方法计算成本更高，但是通过PointNet++中的SA层（set abstraction layer）可以实现更大的感受野（这种说法是首次提出的）。 PV-RCNN的想法也是同时结合这两种方法的优势，取其所长，利用voxel-based操作进行有效的多尺度信息编码，生成高质量的3d候选框；同时利用改进的set abstraction模块操作保留精确的位置信息和灵活的感受
PV-RCNN:聚氯乙烯
04-23
PV-RCNN：用于3D对象检测的Point-Voxel特征集抽象 此PointVoxel-RCNN用于我们的CVPR 2020论文PointVoxel-RCNN用于从点云进行3D对象检测。 代码： 代码。 作者：石少帅，郭朝旭，李丽，王哲，石建平，王晓刚，李洪生。 抽象的 我们提出了一种新颖的，高性能的3D对象检测框架，名为PointVoxel-RCNN（PV-RCNN），用于从点云中进行精确的3D对象检测。 我们提出的方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象进行了深度集成，以学习更多判别性点云功能。 它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活接收范围的优势。 具体而言，提出的框架通过新颖的体素集抽象模块将具有3D体素CNN的3D场景汇总为一小组关键点，以节省后续计算并对代表性场景特征进行编码。 考虑到体素CNN生成的
PV-RCNN预训练权重，作者文中的预训练权重。pvrcnn是一个两阶段检测算法
07-30
pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。
【3D目标检测】PV-RCNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
毛毛的博客
05-15 739
文章目录前言摘要1.介绍2.PV-RCNN for Point Cloud Object Detection2.1 3D voxel CNN高效特征编码和proposal生成3.2 Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction3.结果5. 总结 前言 1. 实验方法是什么样的？ 2. 得到了什么结果？ 文章的特征提取方式充分结合了voxel-based和point-based两种方法的优点，3D voxel卷积可以高效地编码多尺度特
PV-RCNN++网络结构
Oliver_jiang的博客
03-13 2110
PV-RCNN++（PV-RCNN-V2）
PV-RCNN
ylwhxht的博客
11-26 1727
PV-RCNN Key Knowledgeable： Point-based and Voxel-based Voxel Set Abstraction (VSA) FPS采样n个关键点。 对于每个关键点，分别在原始点云图fraw、3D稀疏卷积之后的多尺度特征图fpv、BEV投影的特征fbev上采用PointNet++的思想将一个半径范围的点视为一个集合（Voxel-based），获取点与点之间的邻域特征： 并将一个区域内的特征聚合（Point-based）： 得到[fraw，fpv，fbev] .
【阅读笔记】PV-RCNN
敲碎键盘的博客
03-04 5904
目前在kitti数据集榜单第一名，收录在CVPR2020。与pointRCNN同作者。 1 简介 文章称该方法把point-based和voxel-based两种方法的优势结合起来，提高了3D目标检测的表现。基于体素的操作可以高效的编码多尺度特征表示并生成高质量3D提案框，基于点操作有可变的感受野故可以保留更精确的位置信息。 voxel-based（grid）优缺点：高效、但信息损失降低定位细粒度...
3D目标检测(点云+体素)——PV-RCNN
qq_44799766的博客
10-31 1806
PV-RCNN论文阅读及个人分析。
PV-RCNN网络结构+代码
07-27
PV-RCNN（Point-Voxel Feature-based RCNN）是一种基于点云和体素特征的三维物体检测网络结构。它综合利用了点云的几何信息和体素的语义特征，提高了物体检测的性能。 PV-RCNN的代码实现可以在CSDN上找到，以下是一个示例代码： ```python import torch import torch.nn as nn # PV-RCNN网络结构定义 class PVRCNN(nn.Module): def __init__(self): super(PVRCNN, self).__init__() # 网络层定义... def forward(self, inputs): # 前向传播过程... return outputs # 实例化PV-RCNN网络 model = PVRCNN() ``` 请注意，这只是一个代码示例，具体的PV-RCNN网络结构和实现细节可能会有所不同。你可以在CSDN上搜索更多关于PV-RCNN的详细代码和实现方法。
评论 3
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