3D目标检测论文
文章平均质量分 92
关于3D目标检测的文章
梨鱼
这个作者很懒,什么都没留下…
展开
-
MVF 3D Lidar point clouds
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,相原创 2022-02-20 19:53:12 · 793 阅读 · 0 评论 -
Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection
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原创 2022-01-21 14:40:17 · 656 阅读 · 0 评论 -
3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network
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和原创 2022-01-04 17:05:53 · 363 阅读 · 0 评论 -
Multi-View 3D Object Detection Network for Autonomous Driving
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原创 2022-01-04 14:53:15 · 507 阅读 · 0 评论 -
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
1. Motivation原创 2021-12-23 21:07:03 · 2118 阅读 · 0 评论 -
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
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...原创 2021-12-20 19:22:39 · 248 阅读 · 0 评论 -
Frustum PointNets for 3D Object Detection from RGB-D Data
Frustum PointNets for 3D Object Detection from RGB-D Data背景原创 2021-10-27 14:10:22 · 2053 阅读 · 4 评论 -
RandLA-Net
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。...原创 2021-10-21 13:32:11 · 443 阅读 · 0 评论 -
KPConv
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:对原创 2021-10-21 13:31:36 · 1348 阅读 · 1 评论 -
Pointnet++
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,信息提取损原创 2021-10-21 13:30:47 · 376 阅读 · 0 评论 -
PIXOR: Real-time 3D Object Detection from Point Clouds
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...原创 2021-10-21 09:04:02 · 440 阅读 · 0 评论 -
VoxelNet
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,不能很好原创 2021-09-24 08:41:19 · 289 阅读 · 0 评论 -
PointNet
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原创 2021-09-06 10:45:29 · 526 阅读 · 0 评论