Pointpillars for object detection

最新推荐文章于 2026-01-03 21:10:36 发布
原创 最新推荐文章于 2026-01-03 21:10:36 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 2611
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。
深度学习资源合集
宝宝单机的博客
01-02 620
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。
【深度学习基础】为什么卷积层可以视为线性映射？—从结构展开到统计等价
最新发布
Rabbit_QL的博客
01-03 549
本文系统分析了卷积神经网络第一层可被抽象为线性映射$\mathbf{Z} = \mathbf{WX}+\mathbf{b}$的理论依据。研究表明，卷积的线性性来源于空间局部加权和跨通道组合两个层次的结构叠加。从统计视角看，这种抽象在分析均值、方差等统计量传播时是合理的，因为Normalize等操作仅依赖于线性变换本身，而与具体实现结构无关。因此，在初始化、梯度稳定性等理论分析中，将卷积层视为带约束的线性算子是充分且有效的，这种视角切换有助于简化分析复杂度而不损失统计正确性。
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
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。 #### 数据预处理阶段 原始点云输入被划分成固定大小的空间单元格，称为“pillar”。每个 pillar 中的点按照高度维度进行聚合统计特征[^1]。具体来说： - **体素化 (Voxelization)**：将连续的三维坐标离散化到网格中； - **特征提取**：对于每一个 pillar 提取局部几何特性作为描述子； 这些操作使得模型能够高效地处理大规模稀疏分布的数据集，并且减少了内存占用量。 #### 特征编码过程 在完成初步转换之后，网络会进一步利用卷积神经网络(CNNs) 对得到的二维伪图像形式表达做更深层次的信息挖掘。此部分主要涉及以下几个方面: - **Backbone Network**: 使用轻量化设计原则构建主干网路架构，在保证速度的同时尽可能多地保留语义信息; - **Feature Fusion Layer**: 将不同尺度下的多层输出融合起来增强最终预测效果; 整个流程可以概括为先由低维向高维映射再降回到适合分类回归任务的形式。 ```python import torch.nn as nn class PillarEncoder(nn.Module): def __init__(self, num_filters=[64], voxel_size=(0.16, 0.16, 4), pc_range=(-3., -40., 0., 1., 40., 70.), max_num_points=100): super().__init__() self.voxel_layer = VoxelLayer(voxel_size, pc_range, max_num_points) self.conv_block = ConvBlock(num_filters) def forward(self, points): voxels = self.voxel_layer(points) features = self.conv_block(voxels) return features ``` 该框架显著提升了实时性能表现，适用于自动驾驶汽车等应用场景下对周围环境感知的需求。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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