3D物体检测学习笔记-初识（二）

最新推荐文章于 2024-12-01 23:31:01 发布
原创 最新推荐文章于 2024-12-01 23:31:01 发布 · 357 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 #线性代数 #自动驾驶

本文概述了3D物体检测的最新进展，重点介绍了基于降维的检测方法和利用物体稀疏性的技术。学习视频来自祁芮中台，深入浅出地讲解了背景应用、科研经验，以及对未来方向的探讨，如点云压缩、3D攻击研究和自动驾驶长尾问题。

3D物体检测学习笔记-初识（二）

一、学习视频

1、B站-将门创投 祁芮中台
点云上的深度学习及其在三维场景理解中的应用.
2、B站-深蓝学院 祁芮中台
3D物体检测算法和未来方向.

二、PPT内容

1、背景介绍：3D物体检测的定义与应用
2、3D物体检测的近期发展
3、3D物体检测的未来方向
4、科研经验分享与讨论

1、背景介绍：3D物体检测的定义与应用

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

2、3D物体检测的近期发展

在这里插入图片描述
CAD MODEL 不是很genelized。模板识别
在这里插入图片描述在这里插入图片描述-------------------------------------------
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述

基于降维的方式做3D检测

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述

3 基于物体的稀疏性进行检测

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

3、3D物体检测的未来方向

在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述

4、科研经验分享与讨论

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述
点云压缩算法：
3D物体攻击的研究
基于点云的物体检测-天气影响解决 多帧的数据
KITTI WayMO的3D物体检测数据，更大的dataset
算法的优势 精度 速度 memery
网络预训练
Pre-Trained wight file
场景流估计-物体运动的未来方向作用
自动驾驶的长尾问题
3D数据集 performence
机器人抓取 3D点云数据标注

参考

RPN网络的结构：https://www.cnblogs.com/Terrypython/p/10584384.html

自动驾驶中的3D物体状态检测
小白学视觉
02-13 1004
点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达 摘要3D物体检测是自动驾驶的一项重要技术，KITTI提供了一种用于训练和评估不同的3D对象检测器的...
PCL 基于对应分组的3D物体识别
baidu_41706898的博客
09-14 921
解释了如何使用对应分组算法，以便将 3D 描述符匹配阶段之后获得的点对点对应关系集聚类到当前场景中存在的模型实例中。对于每个表示场景中可能的模型实例的聚类，对应分组算法还会输出转换矩阵，用于标识该模型在当前场景中的 6DOF 姿态估计。
三维物体识别
06-17
二维平面视图可通过普通 CCD 相机获取，数据来源要求不高。基于外观 （Appearance-based）或基于视图（View-based）的三维物体识别算法研究，近来 成为人们研究的热点。基于视图的方法通过视觉相似性来识别物体，使得识别系 统设计相对简单，无需显式计算物体的三维模型。另外一方面，基于局部特征匹 配的方法考虑了视图间的局部相似性，不要求匹配所有视图特征，即使物体被部 分遮挡，也有可能检测到局部特征，并完成识别，对于物体的重叠和背景杂波表 现出较好的稳健性。本文研究了基于二维视图和基于局部特征提取匹配的三维物 体识别，及其在智能视频监控系统中的应用，改进了卡尔曼滤波器多目标跟踪性
自动驾驶纯视觉3D物体检测算法
soaring_casia的专栏
09-23 975
本文总结于王岩博士在2021年9月11日在深蓝学院的公开课。王岩博士就读于康奈尔大学，提出的基于伪点云的纯视觉3D物体检测算法广泛应用于工业界。 本次的讲座分为如下几个部分，第一个是关于用相机做深度估计和背景检测的背景和动机，第二个是单目和双目深度估计算法的基础，第三个是关于深度检测的优化和提升，第四个是关于目前存在的问题。 首先，为什么要做3d物体检测，因为在自动驾驶场景中，我们通常需要去感知场景中的每一个物体，只有在这个基础上，我们才能进一步进行物体跟踪和路径规划，也就是说，物资检测是自动驾驶感知流
3D物体检测(一).md
02-24
总结一下在bilibili上看到的[基于点云场景的三维物体检测算法及应用](https://www.bilibili.com/video/av89811975),是香港中文大学博士生所作报告有兴趣的也可以去看看这个视频。 这一部分主要总结一下报告主要的三个论文:PointRCNN、Part-A^2、PV-RCNN
mmdetection3d学习笔记（一）——初识
weixin_63588015的博客
09-06 1214
感觉用mmdetection3d这个框架学习3D检测还不错，尝试研究一下结构和代码，在此记录一下。
视觉SLAM十四讲学习笔记-第七讲-视觉里程计-特征点法和特征提取和匹配实践
weixin_36773706的博客
01-16 3200
专栏系列文章如下： 视觉SLAM十四讲学习笔记-第一讲_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第二讲-初识SLAM_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第二讲-开发环境搭建_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-旋转矩阵和Eigen库_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-旋转向量、欧拉角、四元数_goldqiu的博客-优快云博客 视觉SLAM十四讲学习笔记-第三讲-相..
OpenGL学习笔记（三）：初识渲染管线（渲染流程、VAO、VBO、EBO）
最新发布
qq_39281631的博客
12-01 1703
在OpenGL中，一切都是3D的，但屏幕或者窗口是一个2D像素阵列，因此OpenGL的大部分工作是将所有3D坐标转换为适合屏幕的2D像素。这个过程由OpenGL的渲染管线管理的。将3D坐标转换为2D坐标。将2D坐标转换为实际的有颜色的像素。图形渲染管线可以被划分为几个阶段，每个阶段将会把前一个阶段的输出作为输入。
Halcon学习笔记：Halcon标定步骤-3d_coordinates.hdev示例
Leon_Chen的博客
10-11 3699
Halcon学习笔记：Halcon标定步骤 Halcon标定步骤 1.设置相机内部参数的初始值 StartCamPar := [0.016,0,0.0000074,0.0000074,326,247,652,494] set_calib_data_cam_param (CalibDataID, 0, ‘area_scan_division’, StartCamPar) 1.1 相机型号 （1）面...
CNN学习笔记——CNN是怎么做到图像识别的？
竹杖芒鞋轻胜马
06-15 9619
——CNN初识笔记 CNN的由来及发展（包含图像识别的思路） 刚接触CNN的时候，很懵。CNN？到底是什么？美国有线电视新闻网？哦，卷积神经网络（Convolutional Neural Networks）啊！为什么要叫这个名字，他又是怎么来的呢？ 先思考一个问题：如果给你一张图片，你是怎么去识别图片里的内容的？一般我们应该会用到两样东西吧，那就是记忆和经验，这些东西我们也可以称之为知识，也就是对于一个图像识别任务我们必须认识过跟他同类的才能准确地识别它，这个就有意思了，和我们有监督学习的过程不就是一样.
【自动驾驶】--3D视觉感知算法
TU商的博客
10-28 1871
1 前言对于自动驾驶应用来说，最终还是需要对3D场景进行感知。道理很简单，车辆不能靠着一张图像上得到感知结果来行驶，就算是人类司机也不能对着一张图像来开车。因为物体的距离和场景的和深度信息在2D感知结果上是体现不出来的，而这些信息才是自动驾驶系统对周围环境作出正确判断的关键。一般来说，自动驾驶车辆的视觉传感器（比如摄像头）安装在车身上方或者车内后视镜上。无论哪个位置，摄像头所得到的都是真实世界在透视视图（Perspective View）下的投影（世界坐标系到图像坐标系）。这种视图与人类的视觉系统很类似，因
史上最全综述 | 3D目标检测算法汇总！（单目/双目/LiDAR/多模态/时序/半弱自监督）
qwj的博客
09-08 2106
史上最全综述 | 3D目标检测算法汇总！（单目/双目/LiDAR/多模态/时序/半弱自监督）
『点云识别』基于对应分组的三维物体识别
weixin_45824067的博客
07-10 2802
BOP特征描述子的计算是基于点云中的边界点和其它邻域点之间的关系，通过分析相对于边界点的位置、法线方向和曲率等特征来推断该点是否是边界点。使用PCL中的3D Hough变换模块时，需要设置参数空间的分辨率、累加器的阈值、搜索范围等参数，以及提供点云数据和目标对象的相关信息。在参数空间中，每个参数对应了可能的几何形状的一组参数，例如平面的法向量和点与平面的距离。当我们处理点云数据时，有时需要在点云中找到与某个点最接近的点，或者在一个给定的范围内找到附近的点。，我们可以比较两个点云之间的相似性。
YOLO3D 基于图像的3D目标检测算法
AI人工智能的海洋
03-23 1万+
参考文档：https://ruhyadi.github.io/project/computer-vision/yolo3d/代码：https://github.com/ruhyadi/yolo3d-lightning本次分享将会从以下四个方面展开：物体检测模型中的算法选择单目摄像头下的物体检测神经网络训练预测参数的设计模型训练与距离测算。
视觉传感器：3D感知算法
3D视觉工坊
01-29 4154
作者丨巫婆塔里的工程师@知乎来源丨https://zhuanlan.zhihu.com/p/426569335编辑丨一点人工一点智能1 前言 之前的一篇文章介绍了基于视觉传感器的...
CNN-RNN结合的3D物体识别分类
Beryl的博客
01-02 2658
原文：Convolutional-Recursive Deep Learning for 3D Object Classification 总体思想： 1、同时使用CNN-RNN进行图像特征的学习，对RGB-D图像进行分类 2、使用单层CNN提取图像低维特征，使用这种方法的原因在于这种低维特征能够允许物体的部分形变，从而具有一定的鲁棒性。将单层CNN的输出作为输入输入至RNN中，让RNN去学
从零实现一个3D目标检测算法（1）：3D目标检测概述
热门推荐
10点43的博客
07-10 1万+
PointPillar( (vfe): PillarFeatureNetOld2( (pfn_layers): ModuleList( (0): PFNLayer( (linear): Linear(in_features=10, out_features=64, bias=False) (norm): BatchNorm1d(64, eps=0.001, momentum=0.01, affine=True, track_running_stats.
3D物体检测(一)
weixin_41134246的博客
02-24 3523
title: 3D物体检测(一) date: 2020-02-21 16:40:40 categories: 3D物体检测 tags: 3D物体检测 点云 总结一下在bilibili上看到的基于点云场景的三维物体检测算法及应用,有兴趣的也可以去看看这个视频。 这一部分主要总结一下，结合雷达点云数据和相机采集的二维图像数据的方法。 主要包括: MV3D-Net、F-PointNet MV3...
ARFoundation之路－3D物体识别之一
DavidWang
08-14 1万+
版权声明：Davidwang原创文章，严禁用于任何商业途径，授权后方可转载。   3D物体跟踪技术，是指通过图像处理技术对摄像头中拍摄到的3D物体识别定位并对其姿态进行跟踪的技术。3D物体跟踪技术的基础也是图像识别，但比前述图像识别跟踪要复杂得多，原因在于现实世界中的物体是三维的，从不同角度看到的物体形状、纹理都不一样，在进行图像对比时需要的数据比2D图像识别要多得多。   在ARFoundati...
Unity3D全阶段学习笔记：从基础到进阶
"这是一份全面的Unity学习笔记，涵盖了Unity3D的基础到高级内容，适合Unity初学者。笔记内容包括Unity环境搭建、C#语言基础、Unity API、3D数学、物理引擎、UGUI等多个方面，同时也分享了一些实用的小技巧，如场景...
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

打赏作者

Ray.so

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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