LimitOut的博客

kitti label rotation_ykitti rotation1.在sencond 和 det3d中，均是从kitti label信息中读取的在相机坐标系下的rotation信息，在训练过程中也是回归的camera坐标系下的rotation，如果我想得到lidar坐标系下的rotation公式为：rotation_lidar_y = - (rotation_cam_y + pi/2),至于怎么来的，抽出时间来讲一下,经过网络后得到的输出为（Center_lidar(x,y,z),size_

数据流动篇这篇文章讲的是当example数据形成后,数据在网络里面流动的方式:首先是example如下:数据名称维度含义Voxels[9918,100,4]9918:pillar数量,100:每个pillar内的最大点数,4:XYZINum_points[9918]9918个int,每个pillar的真实点数coordinates[9918,4]待补充rect[2,4,4]2:batch_size;4*4 rt矩阵.Trv2c[2,4,

注：此文是解析的是pointpillar不是second\color{red}{注：此文是解析的是pointpillar不是second}注：此文是解析的是pointpillar不是second我们来看一下网络中的example是如何来的~首先我们通过create_data.py得到了各种pkl文件.然后会通过下面的函数: eval_dataset = input_reader_builder.build( input_cfg, model_cfg,

我们一次按照网络结构里面的执行顺序依次解读：首先我们运行python ./pytorch/train.py train --config_path=./configs/pointpillars/car/xyres_16.proto --model_dir=/path/to/model_dir下面是源码：def train(config_path, model_dir, result_path=None, create_folder=False

Fast Lidar Clustering by Density and Connectivity这篇文章是发布在cs.cv上面的一篇文章，个人理解为利用语义信息来进行聚类。接下来详细解读一下这篇文章。首先这篇文章提出了一种实时的雷达点云实例分割的网络。主要亮点在于提出了skip conection这个结构来增加网络的鲁棒性。主要步骤：此工作是利用将三维点云转换成深度图像后进行相关操作。 1.去除地面。2.横纵向距离值D计算。3.合并3个2值图，进行连通性判断。4.skip-connect

一、creat_data 准备数据按照格式官网格式准备好，将不同的文件放入不同的文件夹。└── KITTI_DATASET_ROOT ├── training <-- 7481 train data | ├── image_2 <-- for visualization | ├── calib | ├── label_2 | ├── velodyne | └── velodyne_r