Pointpillars for object detection

最新推荐文章于 2026-01-02 22:20:25 发布
原创 最新推荐文章于 2026-01-02 22:20:25 发布 · 453 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #目标检测 #雷达 #点云

本文解析了博客中关于如何调试并理解nutonomy_pointpillars项目中的prep_pointcloud函数，涉及数据预处理、Voxel转换和GT目标生成。重点介绍了模型从PyTorch到ONNX再到TensorRT的转换过程，以及其在交通管理中的应用实例。

博客参考：

pointpillars代码阅读----prep_pointcloud篇_Little_sky_jty的博客-优快云博客Brief这一篇内容主要是对函数prep_pointcloud进行debug和记录，这里也是dataloader的大部分内容，同时也涉及到gt的loss函数部分。作者的function breif如下：convert point cloud to voxels, create targets if ground truths exists. input_dict format: da...https://blog.youkuaiyun.com/weixin_40805392/article/details/102135201

代码：

GitHub - SmallMunich/nutonomy_pointpillars: Convert pointpillars Pytorch Model To ONNX for TensorRT InferenceConvert pointpillars Pytorch Model To ONNX for TensorRT Inference - GitHub - SmallMunich/nutonomy_pointpillars: Convert pointpillars Pytorch Model To ONNX for TensorRT Inferencehttps://github.com/SmallMunich/nutonomy_pointpillars

案例：

How 3D Lidar Systems Are Changing Traffic Management Systemsicon-default.png?t=M3K6https://www.e-motec.net/3d-lidar-systems

PointPillars: Fast Encoders for Object Detection from Point Clouds 阅读笔记
weixin_45657478的博客
07-26 599
PointPillars: Fast Encoders for Object Detection from Point Clouds 阅读笔记
PointPillars:Fast Encoders for Object Detection from Point Clouds
liyin1638的博客
06-09 1097
PointPillars:从点云中检测目标的快速编码器 点云中的目标检测时自动驾驶等机器人应用中的一个重要方面。在本文中，我们考虑将点云编码为适合后续检测格式的挑战。
文献精读：PointPillars: Fast Encoders for Object Detection from Point Clouds
weixin_47656519的博客
10-15 262
最后进行了消融实验（Ablation Studies）验证了空间分辨率（即3D点云数据中pillar的划分大小）的不同对速度和精度的影响，在精度损失不大的前提下0.28^2的划分大小可达到105HZ的速度。每个Block都表示为（S，L，F），S表示Stride，L表示3x3 2D卷积核的个数，F表示输出的特征通道数。作者通过对pillar和其内部的点云数进行限制（多的随机采样，少的0填充）生成了一个密集张量(D,P,N)，D表示特征维度，P为Pillar数，N为每个pillar内的点数。
论文解读--PointPillars- Fast Encoders for Object Detection from Point Clouds
奔袭的算法工程师
12-05 2610
点云中的物体检测是许多机器人应用(如自动驾驶)的重要方面。在本文中，我们考虑将点云编码为适合下游检测流程的格式的问题。最近的文献提出了两种编码器;固定编码器往往很快，但牺牲了准确性，而从数据中学习的编码器更准确，但更慢。在这项工作中，我们提出了PointPillars，这是一种新颖的编码器，它利用PointNets 来学习以垂直列(柱子)组织的点云表示。虽然编码的特征可以与任何标准的2D卷积检测体系结构一起使用，但我们进一步提出了一个精益下游网络。
PointPillars Fast Encoders for Object Detection from Point Clouds 论文学习
calvinpaean的博客
05-06 726
它使用一个新的编码网络，基于 PointNets 学习柱状（pillar）点云表征，再预测目标的 3D 框。首先，PointPillars 学习特征（而不是依赖固定的编码），能利用点云的全部信息。学习特征的另一好处就是 PointPillar 无需手动调节，即可使用不同的点云配置，如多个 LiDAR 线扫或 RADAR 点云。检测 head 使用主干网络预测的特征，预测目标的 3D 框。提供了另一种标准化点的局部 context 的方式，它要计算出一个全局统计量，建立各点之间的关系。它们独立于其它的点。
论文总结--PointPillars: Fast Encoders for Object Detection from Point Clouds
m0_60799447的博客
11-11 1018
PointPillars 是一种用于点云中3D物体检测的快速编码方法，采用了柱状编码方式（pillars），极大地提高了效率，同时保持了较高的准确度。以下是该论文中的方法总结，特别是关键模块和公式。PointPillars 网络由三个主要部分组成：PointPillars 将输入的点云转换为一个伪图像以适应2D卷积网络。具体步骤如下：PointPillars 使用了一个2D卷积骨干网络，结构上包括两部分：PointPillars 使用单阶段检测头来回归3D边界框：PointPillars 使用以下损失函数来
【3D目标检测】PointPillars: Fast Encoders for Object Detection from Point Clouds
可乐大牛的博客
11-02 847
首先，本文是基于点云，但不是将点云处理成体素，而是体柱！比较主流的一种方式就是将点云编码成体素，但是这就使得后面需要使用3D卷积进行特征提取，开销比较大（哪怕SECOND中引入了稀疏卷积，计算量还是比2D卷积大）；另外一种思路就是从俯视角度将点云数据进行处理，得到伪图片的数据，之后使用2D卷积处理，开销小了，但是得到伪图片的过程中，丢失了很多信息。因此作者在一定程度上融合了这两种方法的思想，提出了一种新的点云编码方式，在这种方式下，仅仅使用2D卷积就可以实现端到端的3D目标检测。
PointPillars: Fast Encoders for 3D Object Detection from Point Clouds
lpj822的专栏
02-23 2402
PointPillars: Fast Encoders for 3D Object Detection from Point Clouds简介3D目标检测整体框架数据增强生成伪图像基础网络检测头Loss 简介 考虑到点云数据的不规则，将点云编码为适合下游检测流程的格式，是一个首先需要处理的问题。一般有两种处理方式： 固定编码器，这种编码器往往速度快但是以牺牲精度为前提 在数据中学习的编码器，这种...
【三维感知目标检测论文阅读】《PointPillars: Fast Encoders for Object Detection from Point Clouds》
weixin_42479402的博客
06-23 690
本文介绍了一种高效的激光雷达3D目标检测方法PointPillars。该方法创新性地将点云转换为2D柱状伪图像，通过简化版PointNet提取特征后，利用2D卷积网络进行处理，完全避免了传统方法中耗时的3D卷积操作。实验表明，PointPillars在KITTI数据集上取得了62Hz的实时检测速度，显著优于当时其他方法，同时保持高检测精度。该方法为实时高精度3D检测提供了新思路，是工业界青睐的解决方案。
[阅读]PointPillars: Fast Encoders for Object Detection from Point Clouds
weixin_43152152的博客
08-14 851
摘要 点云编码成合适的格式。 目前的两种编码器：固定的速度快精度低，学习数据的精度高速度低。 新颖编码器利用PointNet学习pillar格式的点云。 编码特征可以用2D网络来做检测，但是我们提出了更好的网络 大量实验表明很快很精准，优于其他的。 62Hz，最快105Hz，点云较好的编码器，适合工程化。 code：https://github.com/nutonomy/second.pytorch 1介绍 传统激光雷达检测通过背景去除、时空聚类和分类。 深度学习方法，3D点云并不适合标准图像的卷积管道。
基于深度学习的车牌识别系统
qq_35827191的博客
01-02 575
本文提出了一种基于深度学习的车牌识别系统解决方案，采用模块化设计架构，包含车辆检测(YOLOv3-tiny)、车牌定位(RetinaNet)和字符识别(LPRNet)三大核心模块。系统通过轻量级模型实现实时处理能力，利用特征金字塔网络和Focal Loss优化小目标检测效果，并采用端到端的字符识别方案。文章详细阐述了技术选型依据、网络结构原理、代码实现细节及环境配置要求，为车牌识别系统的开发提供了完整的实践指导。该系统可广泛应用于智能交通、安防监控等场景，具有良好的实用价值。
深度学习资源合集
最新发布
宝宝单机的博客
01-02 620
【深度学习新浪潮】本地文档总结引擎部署全攻略（二）：增量更新、自定义模板与实战汇报生成
12-31 141
基础系统的总结格式由固定，无法满足不同汇报场景（如周汇报、月汇报、项目总结）的需求。通过自定义Prompt模板，我们可以定义灵活的输出格式，支持模板变量（如文档名称、时间范围、汇报人）。在from llama_index . core . prompts import PromptTemplate from llama_index . core . query_engine import CustomQueryEngine # 定义常用汇报模板 REPORT_TEMPLATES = {
深度学习—卷积神经网络（2）
renjt01的博客
12-30 123
深度学习—卷积神经网络（2） 2.DNN与CNN的区别 3.卷积的数学定义 4.CNN的结构组成 卷积层 #人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书
毕业项目推荐：91-基于yolov8/yolov5/yolo11的井盖破损检测识别（Python+卷积神经网络）
weixin_71667732的博客
12-29 778
项目中所用到的算法模型和数据集等信息如下：算法模型：yolov8yolov8 + SE注意力机制或yolov5yolov5 + SE注意力机制或yolo11yolo11 + SE注意力机制数据集：网上下载的数据集，格式都已转好，可直接使用。以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点。全新SOTA模型YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640和P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。
【深度学习】利用GPU跑Pytorch框架深度学习配置全流程
m0_70466650的博客
01-02 823
本文包含对pytorch的简单介绍，对为什么要使用gpu跑任务以及cuda是什么这个问题进行解释，同时对如何安装pytorch以及创建相应的虚拟环境进行演示，旨在帮助如何去启用gpu跑pytorch的深度学习任务。
InternNav 环境配置：Failed to build flash_attn解决办法
m0_75108877的博客
12-30 141
install Internnav 的时候一直报flash_attn的错。
科研绘图 | TCN-LSTM时间卷积神经网络结合长短期记忆神经网络模型结构图
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
12-28 287
科研绘图 | TCN-LSTM时间卷积神经网络结合长短期记忆神经网络模型结构图
深度学习中的“通道指挥官”：Squeeze-and-Excitation (SE) Block 详解
rmysjm的博客
12-29 875
摘要：SE-Block是一种创新的通道注意力机制，通过Squeeze-Excitation操作自动学习特征通道的重要性权重。其核心包括全局平均池化获取通道信息、全连接层学习通道间关系，最后对特征通道进行加权。该方法以极小的计算开销（仅增加0.26%参数量）显著提升模型性能，如SE-ResNet50在ImageNet上的Top-1错误率降低1.5%。SE-Block证明了注意力机制在特征筛选中的有效性，可灵活嵌入各类网络结构中，为计算机视觉任务提供高效优化方案。
PointPillars: Fast Encoders for Object Detection From Point Clouds
12-31
### PointPillars 编码器工作原理 PointPillars 是一种用于处理点云数据的对象检测方法，其核心在于通过柱状结构（pillars）来表示三维空间中的点云。这种方法不仅提高了计算效率，还保持了较高的精度。 #### 数据...
评论
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