zhulf0804的博客

论文读完之后很快忘记了, 写长篇的论文笔记又很耗时间; 因此打算换一种简洁的方式记录读过的一些3D检测论文: 论文的动机和主要的解决问题。

pdb跳出for循环

在本文中, 作者提出了PointRCNN用于在原始点云中做3D目标检测。整个框架包括两个阶段: stage-1用于以bottom-up的方式生成3D候选框, stage-2在规范(canonical)坐标系细化候选框, 来获得最终的检测结果。Stage-1子网络通过把点云中的点分割成前景点和背景点, 直接从点云中以bottom-up的方式产生少量的高质量的候选框; Stage-2子网络把stage-1子网络产生的每一个候选框中的points变换到规范坐标系来更好的学习局部空间特征, 并结合stage-1产生

当前, 有很多voxel-based的单阶段3D检测器, 然而point-based的单阶段3D检测器仍处于探索中。本文中, 我们第一个提出了一个轻量级的, 高效的point-based的单阶段检测器 (3DSSD), 并在精度和效率方面取得了一个很好的平衡。在这种范式中, 丢弃了现有point-based方法中不可或缺的upsampling layers和refinement stage, 以减少大量的计算成本。我们新颖地提出了用于下采样流程的混合采样策略, 以实现在更少的点上进行检测。为了满足精度和速度

3D点云 (Lidar)检测入门篇 - PointPillars PyTorch实现完整代码:https://github.com/zhulf0804/PointPillars。自动驾驶中基于Lidar的object检测，简单的说，就是从3D点云数据中定位到object的框和类别。具体地，输入是点云X∈RN×c\mathbf X \in \mathbb R^{N \times c}X∈RN×c (一般c=4c=4c=4)，输出是nnn个检测框bboxes, 以第iii个检测框bbox为例, 它包括位姿信

一、显卡驱动安装sudo add-apt-repository ppa:graphics-drivers/ppasudo apt update# 查看可选驱动ubuntu-drivers devices# 选择合适驱动安装sudo apt install nvidia-driver-xxx# 重启sudo reboot# 验证是否安装成功nvidia-smi二、Cuda安装(以Cuda10.1为例)# 官网下载Cuda(建议下载.run(local))https://

https://www.kaggle.com/isbhargav/guide-to-pytorch-learning-rate-scheduling

Leetcode 周赛223的hard题目，此题是我见到的很惊艳的题目，用到了二进制表示状态，枚举状态，二分法，动态规划等知识，值得记录一下。看到这个题目时，只能想到二分法，看了题解后才发现这个是二分 + 状压dp的题目。看了题解，发现这个题目的实现用了很多二进制表示，其中最为精辟的是枚举状态，结合https://oi-wiki.org/math/bit/#_14勉强看懂代码。下面是python3的代码实现，但是tle了，看了下面的评论说是此题对python不友好，下次再用C++把这个题目实现一下吧。

https://oi-wiki.org/math/bit/

查看python运行程序的id号:ps -ef|grep python

零、概要论文: Learning 3D-3D Correspondences for One-shot Partial-to-partial Registrationtag: arXiv 2020; Registration作者: Zheng Dang, Fei Wang, Mathieu Salzmann机构: Xi’an Jiaotong University, EPFL Switzerland笔者整理了一个最近几年250多篇点云的论文列表，欢迎大家一块学习交流。0.0 摘要点云的3D

关于更多点云资源点击这里，包括250篇近几年的点云论文及数据集，包括点云配准、点云分割、点云检测、点云补全、无监督学习等方向。下述3DMatch数据集的统计分析的代码均可在这里访问。一、3DMatch数据集简介3DMatch数据集收集了来自于62个场景的数据，其中54个场景的数据用于训练，8个场景的数据用于评估，其具体名称查看train.txt和test.txt。3DMatch数据常用于3D点云的关键点，特征描述子，点云配准等任务。官方主页 | 3DMatch: Learning Local

零、概要论文: Fully Convolutional Geometric Features标签: ICCV 2019; feature, match, registration代码: https://github.com/chrischoy/FCGF作者: Christopher Choy,Jaesik Park, Vladlen Koltun机构: Stanford University, POSTECH, Intel Labs笔者整理了一个最近几年250多篇点云的论文列表，欢迎大家

一、MinkowskiEngine简介第一次见到MinkowskiEngine，应该是在两个月之前了，当时也没有去留意这个库。最近读了一些点云的论文，发现还是有不少论文的源码是基于MinkowskiEngine的，包括PointContrast(ECCV 2020)，DGR(Deep Global Registration, CVPR 2020)，Learning Multiview 3D Point Cloud Registration(CVPR 2020)和FCGF(Fully Convolution

1. 概要最近几年，基于深度学习的点云配准算法不断被提出，包括PointNetLK[1]，Deep ICP[2]，DCP[3]，PRNet[4]，IDAM[5]，RPM-Net[6]，3DRegNet[7]，DGR[8]等。这些网络在ModelNet40，Kitti，或3DMatch数据集上进行试验，其性能与速度均超过了传统的ICP算法。这些算法或者网络结构较为复杂，或者结果难以复现，对于把深度学习应用到点云配准的初学者而言，不是很友好。这里结合自己的感触和最近阅读的PCRNet[9] (两者不谋而合)，

安装sudo apt-get install sshfs 创建目录sudo mkdir /mnt/target挂载sudo sshfs -o allow_other username@x.x.x.x:/home/src/ /mnt/target卸载sudo umount /mnt/target参考资料: https://linux.cn/article-7855-1.html

零、概要论文: PCRNet: Point Cloud Registration Network using PointNet Encodingtag: arXiv 2019; Registration代码: https://github.com/vinits5/pcrnet, https://github.com/vinits5/pcrnet_pytorch/作者: Vinit Sarode, Xueqian Li, Hunter Goforth, Yasuhiro Aoki, Rangap

零、概要论文: SampleNet: Differentiable Point Cloud Samplingtag: CVPR 2020; Sample, Classification, Registration, Reconstruction代码: https://github.com/itailang/SampleNet作者: Itai Lang, Asaf Manor, Shai Avidan机构: Tel Aviv University笔者整理了一个最近几年150多篇点云的论文列表，欢

在读SampleNet网络的时候，论文中提到当数据都很小(非常大的负数)时，经过Softmax后，会倾向于出现[0, 1]的值，比较疑惑，就进行了实验，发现的确如此。import numpy as npimport torchimport torch.nn as nndef pprint(x, y, desc): print('='*10, desc, '='*10) print(f'input: {np.round(x.numpy(), 2)}') print(f'sof

解决方案: command + /