鱼遇的博客

1.Motivation对于透视图和BEV，两者都有各自的优势。其中透视图在稀疏的点云上进行小物体的检测性能较强，而BEV可以保证物体的距离不变形，即不会发生物体重叠。对于原先的voxel方法，即hard voxel，存在占用内存大，数据损失的缺点，因此如何利用点云内所有的点的信息成为一个问题。2. Contributions论文提出一个end-to-end的算法，使用点云中的BEV和透视图进行信息互补。论文针对hard voxel提出了一种新的dynamic voxel，支持动态体素化，相

1. Motivationpoint-base方法虽然识别率较高但是耗时过长;voxel-base方法虽然耗时较短但是识别率较差.经过相关实验可以知道原始点的精确定位并不是必要的，更粗的体素粒度也可以为该任务提供足够的空间上下文线索；voxel-base 方法将3D特征结构转换为BEV之后，没有进行3D结构的恢复，缺乏对3D结构特征的利用。2. Contribution总结了point-base和voxel-base的缺陷，结合SECORD和PV-RCNN得出单靠BEV表示不能精确预测三维空

1. Motivation3D目标图像与2D图像不同，3D物体能再3D bbox中很好的分离开，而且能提供每个前景点在3D地面真实包围盒内的相对位置。而对于2D图像来说，会产生部分对象遮挡的问题。因此论文从此角度出发，充分利用三位对象内的intra-object part location的信息，结合之前的PointRCNN，提出一种新的3D目标检测算法。2. Contribution论文提出基于点云的三维目标检测Part-A^2，该框架利用对象内部结构信息学习具有鉴别性的三维特征，并且利用roi和

1. Motivation受二维目标检测启发，并且利用多视图的信息，将3D稀疏点云数据编码成dense的多视图数据，之后进行深度融合在进行目标检测。2. Contribution利用多模态信息进行区域特征融合，得到更加丰富点云信息；提出多视图编码方法，获得稀疏的三维dense的点云表示；采用点云鸟瞰图来生成高度精确的3D proposals；设计了一种深度融合方法，使中间层能够从不同的试图进行交互；结合drop-path训练方法和3. 正文3.1 3D Point Cloud Rep

1. Motivation

Motivation相对与2D数据而言，3D数据的语义分割性越强；由于点云的不规则性，前人经常将点云投影到鸟瞰图或者正面图或者转换为体素形式，但是在进行量化过程中都会造成信息损失。Contribution本论文提出一种新的bottom-up的bbox生成算法，通过先将点云进行前景分割从而来生成少量且质量高的3D proposal。在第二个stage中提出bbox提出边缘细化。通过将第一阶段得到的bbox先进行坐标标准化，然后...

参考： https://towardsdatascience.com/how-does-sparse-convolution-work-3257a0a8fd1注： 插图和部分内容理解来自于上述博客背景三维点云的数据相对于2D数据而言是极其稀疏的，因此提出可以针对稀疏数据来进行卷积，而不是扫描所有图像像素或者空间体素。以一个例子来进行3D稀疏卷积讲解1. 初步定义输入定义：以下图为一个输入，其中除了P1和P2两个点，其余点都是（0,0,0），而非零元素也称为active input sites

Frustum PointNets for 3D Object Detection from RGB-D Data背景

PCL之曲面重建技术参考博客：https://www.yuque.com/huangzhongqing/pcl/yfrd0w背景曲面重建技术在逆向工程、数据可视化、机器视觉、虚拟现实、医疗技术等领域中得到了广泛的应用 。根据重建曲面和数据点云之间的关系，可将曲面重建分为两大类：插值法和逼近法。插值法得到的重建曲面完全通过原始数据点，而逼近法是用分片线性曲面或其他形式的曲面来逼近原始数据点,从而使得得到的重建曲面是原始点集的一个逼近曲面。基于多项式重构的平滑和法线估计背景：使用统计分析很难消除某些

RandLA-Net参考：https://zhuanlan.zhihu.com/p/110514163?from_voters_page=true背景现阶段很多方法在三维目标识别和语义分割等任务上，仍然局限于非常小的点云上。比如PointNet在处理SDIS数据集都会对数据集进行预处理，将点云切成1mx1m的小点云块。...

KPConv参考博客：https://zhuanlan.zhihu.com/p/92244933创新点与以往的Pointnet等网络不同，KPConv提出了一种新型点云卷积，通过点云结合核函数的方式，从而达到更好分割效果。模型Kernel Point Convolution假设点云中点的定义为：所有点的特征定义为：以x为球心，r为半径形成一个球体，从而选取x的邻近点：为了使得球心居中处理，重新定义球体为：然后在球体内，找K个核心点，（核心点不一定是点云中的点），定义为：对

Pointnet++参考博客：https://zhuanlan.zhihu.com/p/266324173背景先前提出的pointnet网络只是使用了MLP和maxpooling，对局部结构信息的获取的能力是不足的，特别是在一些比较复杂的场景上效果是较差的。解决的问题问题一：对局部结构信息的获取能力较差**解决方案：**提出sampling和grouping网络结构，通过对点云的局部信息的分布整合，可以更好提取出点云的局部信息。问题二：全局信息由maxpooling进行提取，信息提取损

PIXOR: Real-time 3D Object Detection from Point Clouds背景点云体素化做3D卷积计算量大，而且由于点云具有稀疏性，很多计算是不必要的。而将点云投影到一个平面上做2D卷积，点云会在离散化和投影的过程中产生信息丢失。因此作者提出一种输入是3D体素，但是做的是2D卷积的网络架构。网络架构1.输入点云转化...

VoxelNet参考博客：https://blog.csdn.net/yanghao201607030101/article/details/114708548?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_title~default-0.control&spm=1001.2101.3001.4242背景现阶段大多数算法主要集中解决传统手工特征（参考博客）设置上，但是这些手工特征设计存在一定的信息瓶颈，不能很好

PointNet介绍参考博客：https://www.jianshu.com/p/6a0fc51187c1https://blog.csdn.net/qq_15332903/article/details/80224387背景在以往的深度学习处理点云时，往往将其转换成为特定视角下的深度图像或者体素。但是这样在遇到点云数据规模较大的情况时，计算量是极大的。因此论文提出一种新的方案，能够直接对输入点云进行处理。解决的问题**问题一：**点云的无序性虽然输入的点云是有顺序的，但是顺序不应该影响最终

PCL之点云的分割参考博客：https://www.yuque.com/huangzhongqing/pcl/kg7wvi#peMqzhttps://blog.csdn.net/lizhengze1117/article/details/89034332背景点云分割是根据空间，几何和纹理等特征对点云进行划分，使得同一划分内的点云拥有相似的特征，点云的有效分割往往是许多应用的前提，例如逆向工作，CAD领域对零件的不同扫描表面进行分割，然后才能更好的进行空洞修复曲面重建，特征描述和提取，进而进行基于3D

PCL之滤波器详解参考博客：https://www.yuque.com/huangzhongqing/pcl/ai96k5从点云滤波数据的预处理讲起点云数据密度不规则需要平滑；因为遮挡等问题造成离群点需要去除；大量数据需要下采样；噪声数据需要去除；对应的解决方案为：按照给定的规则限制过滤除去点；滤波算法处理；对数据进行下采样按照点云格式可以将点云分为有序点云与无序点云：**无序点云：**指处理点云只考量空间坐标和颜色值，与点在文件中出现的顺序无关，即缺

PCL之采样一致性算法参考博客：https://www.yuque.com/huangzhongqing/pcl/ivtxgx#DlJVahttp://www.cnblogs.com/xingshansi/p/6763668.html从点云的配准开始讲起在3D点云数据中参会出现一些错误配准的点，而这些对于原始数据而言就是噪音。因此需要一种较好的算法从点云的点数据中挑选出有效点云信息以来排除噪音信息。随机采样一致性算法（RANSAC）理论介绍RANSAC算法，也叫随机采样一致性算法（random

PCL之Octree理解心得参考博客：https://www.yuque.com/huangzhongqing/pcl/habl9h

PCL之KDTree详解参考相关博客：https://www.yuque.com/huangzhongqing/pcl/ch23snhttps://zhuanlan.zhihu.com/p/23966698https://www.cnblogs.com/eyeszjwang/articles/2429382.html从特征点匹配讲起图像的配准在于比较或者融合。对于一个对象在不同角度和环境下所获得的图像，因为扫描等影响，不可能一次性对对象进行完整3D数据的获取，因此需要从不同角度获取的数据进行拼接，