前面介绍了基于Point的3D目标检测网络(PointRCNN、3DSSD)以及基于voxel的3D目标检测网络(VoxelNet、SECOND、PointPillar),基于Voxel的方法比较高效,其基于多尺度的特征可以生成较高质量的候选框,但是在点云转换成Voxel时会丢失精度,基于Point的方法精度高但是有较高的计算成本,因此作者结合基于Point和基于Voxel方法的优势,...
一个Range图像中两个相邻的像素点,在真实的空间中实际距离却有可能很远,标准卷积无法学习到这一信息的差异,因此作者提出了Meta-Kernel,将其作为一种新的卷积核。 普通卷积可以分为采样、权重获取、相乘、聚合四部分,Meta-Kernel如上图所示,采样部分和普通卷积类似,都是一定范围内像素点(如3 x 3),但其他几个有点...
不同于piontNet等直接在点云上操作,VoxelNet将点云空间划分成相同大小体素格子,然后记录每个体素里面的点,对每个体素里面的点进行采样并借助多个VFE层提取出点云特征,然后通过一个中间卷积层(由于VFE输出是4维张量,所以采用的3D卷积),扩大感受野的同时进一步获得更多的特征信息,最后借助一个RPN模块,类别分支输出检测物体...
Complex-YOLO,论文中介绍是一种仅在点云上进行的最先进的实时3D目标检测网络。借鉴了yolo v2的主干网络,扩展了最后的回归策略,提出了Euler-RegionProposal Network (E-RPN)增加了角度的回归,最后通过实验证明了算法的有效。 论文:Complex-YOLO 要点分析 把三维点云转换为鸟瞰图的形式作为输入,再应用yolo v2的检测网络。
上海禾赛科技申请点云目标检测网络模型量化专利，减小网络模型所占用的计算资源和运行带宽 金融界2024年11月14日消息，国家知识产权局信息显示，上海禾赛科技有限公司申请一项名为“点云目标检测网络模型量化方法、系统及可读存储介质”的专利，公开号 CN 118942061 A ，申请日期为 2023 年 5 月。专利摘要显示，本发明...
由于三维点云的非结构化和无序性质,早期的工作通常首先将原始点云转换为中间规则表示,包括将三维点云投影到鸟瞰视图或正面视图的二维图像,或转换为密集的三维体素。然后,可以2D检测范式网络部署到3D目标检测任务中,尽管最近取得了显著进展,但由于3D-2D投影或体素化引入了量化误差,不可避免地限制了现有方法的性能。另...
点云深度学习基础网络: point net 发布于2017年的PointNet是大多数技术的基础。 简单的说,用mlp逐点提取特征,每点1024个。用maxpool处理每个点的特征,得到1024个总体特征。 同时用空间变换解决旋转性问题。 网络亮点: max pooling & transform 无序性问题:用一个对称方法g来解决 ...
1.提出了一种端到端的三维目标检测与跟踪网络,该网络以两个相邻的原始点云为输入,输出预测的边界框和逐点关联位移。 2.提出了一种新的数据关联模块来融合两帧的点特征,并关联同一对象的相应特征。 3.从逐点数据关联生成预测的边界框。预测的边界框可以细化检测结果。
零跑汽车申请点云目标检测专利，提升目标检测网络对点云的高度的敏感性 金融界2024年4月16日消息，据国家知识产权局公告，浙江零跑科技股份有限公司申请一项名为“一种点云的目标检测方法、终端设备以及存储介质“，公开号CN117893995A，申请日期为2023年12月。专利摘要显示，本申请公开了一种点云的目标检测方法、终端...
虽然名字很接近,但是Fast Point R-CNN不仅跟Fast R-CNN没有任何关系,它跟Point R-CNN也没太大关系,找前景点,做精细回归思想相似。三者唯一的相似点就是它们三个都是two-stage网络。 如果要强行归类的话,Fast Point R-CNN应该算是VoxelNet一派的。这一点从网络结构图中可以看出。网络的第一阶段叫做VoxelRPN,...