【论文阅读】【3D目标检测】PV-RCNN++

最新推荐文章于 2024-05-08 09:44:42 发布
最新推荐文章于 2024-05-08 09:44:42 发布
阅读量3.1k 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

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
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
论文阅读笔记 | 三维目标检测——PV-RCNN++算法
Clichong
12-08 2073
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 6115
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 ....
【论文解读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
lwk___123的博客
01-22 1391
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]PV-RCNN++
qq_53909832的博客
11-07 948
PV-RCNN++论文阅读
有哪些3D目标检测算法
最新发布
Greenorange1的博客
05-08 611
总的来说，不同的3D目标检测算法具有不同的优缺点和适用场景。在实际应用中，需要根据具体的需求和场景选择合适的算法。3D目标检测算法在自动驾驶、机器人视觉等领域发挥着重要作用。
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
09-02 982
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，
【阅读笔记】PV-RCNN
敲碎键盘的博客
03-04 5860
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】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
08-26 7487
第一篇3d检测博客，尽量做的详细。 一 核心思路 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point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的精度（fine grained localization accuracy） point-based优缺点：计算成本高、但可以得到更大的感受野
（10分钟速读）重温3D目标检测 PV-RCNN！（CVPR2020）
qq_36101623的博客
01-02 1172
然后将关键点的学到的判别性特征聚合到具有多个感受野的RoI（感兴趣区域）-grid点上，以捕获更丰富的上下文信息，用于精细的提案精化。通常而言，基于网格的方法在计算上更为高效，但不可避免的信息损失降低了细粒度定位的准确性，而基于点的方法计算成本更高，但通过点集抽象[24]可以轻松实现更大的感受野。PV-RCNN的原则在于，基于体素的操作能够高效编码多尺度特征表示，并能生成高质量的3D提案，而基于PointNet的集合抽象操作保留了灵活感受野下的准确位置信息。将LiDAR扫描得到的点云数据用于建模和检测。
Deformable-PV-RCNN:变形PV-RCNN
03-22
可变形PV-RCNN：通过学习的变形改进3D对象检测作者： 和 。我们提供代码支持和配置文件，以再现有关KITTI 3D对象检测的论文的结果。我们的代码基于 ，它是一个干净的开源项目，用于对3D对象检测方法进行基准测试。...
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 ...
PV-RCNN:聚氯乙烯
04-23
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...
pv_rcnn.zip
01-17
在OpenPCDet中，PV-RCNN（Point-Voxel R-CNN）是一种常用的3D目标检测方法，它结合了点云数据（voxelization）和基于图像的特征，从而提高了检测性能。文件名中的"8369"可能表示训练过程中的一个特定迭代步数或者...
3D目标检测可视化测试数据
10-13
常见的3D目标检测方法有基于深度学习的模型，如PointNet、 SECOND、PV-RCNN 和CenterPoint等，这些模型通常处理点云数据或通过RGB-D相机获取的图像数据。 Open3D库提供了丰富的功能，包括点云数据的加载、预处理、...
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1548
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
SECOND点云检测代码详解
热门推荐
NNNNNathan的博客
03-07 1万+
1、前言 SECOND也是一片基于Voxel按anchor-based的点云检测方法，网络的整体结构和实现大部分与原先VoxelNet相近，同时在VoxelNet的基础上改进了中间层的3D卷积，采用稀疏卷积来完成，提高了训练的效率和网络推理的速度，同时解决了VoxelNet中角度预测中，因为物体完全反向和产生很大loss的情况；同时，SECOND还提出了GT_Aug的点云数据增强。没有了解过VoxelNet的小伙伴可以查看我的这篇文章： VoxelNet点云检测详解_NNNNNathan...
【论文速览】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
冯子材的博客
06-01 1131
摘要 提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案
Deformable PV-RCNN | 3D检测如何解决远处小目标问题？
CV_Autobot的博客
09-22 425
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【数据集下载】获取计算机视觉近30种数据集！本文提出了Deformable PV-RCNN，一种基于点云的高性能 3D 目标检测器。目前，最先进的两阶段检测器使用的proposal细化方法不能充分适应不同尺度的目标对象、不同的点云密度、部分变形和杂波。作者提出了一个受 2D 可变形卷积网络启...
详解两阶段3D目标检测网络PVRCNN：Point-Voxel Feature Set Abstraction for 3D Object Detection
10点43的博客
09-10 3142
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Ma.
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...

“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 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