叶子的博客

利用C++实现PCL点云可视化：示例程序及解析（持续更新）

C++ PCL求解法向量及可视化，含详细程序解读。

Ubuntu PCL CMakeLists.txt配置示例，包括Eigen、Ceres、Boost、PCL和OpenCV

Ubuntu PCL CMakeLists.txt配置示例，包括Eigen、Ceres、Boost、PCL和OpenCV

使用C++和PCL创建模拟点云，含详细源码解读。

点云上采样，含详细源码解读。

三维深度补全模型PENet，含详细python源码解读。

每个场景包含多个扫描（scan），每个扫描有一个独特的标识符号，如scene0000_00_vh_clean_2.ply、scene0001_00_vh_clean_2.ply等。ScanNet v2数据集的文件目录结构包括以下内容，主要由scans、scans_test和scannetv2-labels.combined.tsv组成。ScanNet v2是一个由斯坦福大学、普林斯顿大学和慕尼黑工大联合开发的大规模室内场景数据集，从小型的办公室和家庭到大型的公共建筑和商业空间，涵盖了各种尺度和用途的场景。

该文件是一个MATLAB结构体数组all2DBB, 包含了每个物体在RGB图像中的2D边界框信息，以及该物体所在场景的文件名、场景中的物体数量等信息。该文件是一个MATLAB结构体数组SUNRGBDMeta, 包含了每个物体在3D空间中的位置、朝向和大小等信息，以及该物体所在场景的文件名、场景中的物体数量等信息。SUN RGB-D数据集是一个室内场景的RGB-D（彩色和深度）图像数据集，包含了丰富多样的物体和场景，可以用于深度学习、计算机视觉、机器人等领域的研究和应用。》系列文章，专栏介绍地址“

三维语义分割模型DGCNN，含详细python源码解读。

其中，Soft-NMS算法是一种比较流行的改进算法，它采用了一种渐进式的抑制方法，即不是直接删除重叠区域内的预测框，而是将其置信度逐步降低。非极大值抑制（Non-Maximum Suppression，简称 NMS）是目标检测中常用的一种算法，用于在重叠区域存在多个候选框时，选择置信度最高的候选框，抑制其他低置信度候选框的过程。NMS算法的核心思想是，对于一个目标，它只能被一个候选框所包含，因此对于重叠的多个候选框，我们需要选择置信度最高的一个来表示该目标的位置。》系列文章，专栏介绍地址“

三维语义分割模型PAConv，含详细python源码解读。

对于A中的每个点a，计算它与B中所有点之间的距离，取其中最短的距离作为a点的距离值。同样地，对于B中的每个点b，计算它与A中所有点之间的距离，取其中最短的距离作为b点的距离值。在实际应用中，CD常常用于点云配准和三维形状匹配。CD用于比较两个点云之间的相似性，即通过最小化CD来寻找最相似的点云对，从而实现三维形状匹配的目标。总体而言，CD是一种广泛应用于三维计算机图形学领域的点云距离度量方法，它可以用于三维物体识别、配准、生成和重建等多个领域，帮助算法计算出最优的点云匹配结果，进而提高算法的准确性和效率。

ImVoteNet是一种基于VoteNet结构的多模态融合三维目标检测模型，发表在CVPR 2020，本文含详细python源码解读。

MVXNet是一种基于激光雷达和图像的多模态融合的三维目标检测模型，发表在CVPR 2019，本文含详细python源码解读。

FCOS3D是二维FCOS模型的延展，由香港中文大学-商汤联合实验室发表在ICCVW 2021，本文含详细python源码解读。

ImVoxelNet详细介绍，含python源码解读。

SMOKE是一种基于关键点估计的单阶段单目三维目标检测模型，发表在CVPRW 2020，含详细python源码解读。

Group-Free-3D详细解析，含python源码详细解读。

H3DNet数据和源码配置调试过程请参考上一篇博文：【三维目标检测】。本文主要详细介绍H3DNet网络结构及其运行中间状态。

H3DNet模型属于anchor-free的三维目标检测算法，并且是在VoteNet模型基础上进行的改进。H3DNet的核心特点在于采用目标表面和棱中心的预测来对目标几何中心和尺寸的直接预测结果进行约束和改进。模型的整体结构如下图所示，采用1个几何中心、6个面中心和12个棱中心共三种图元来预测目标的候选框，并对几何中心候选框进行匹配和refine，使最终检测结果更加准确。这样一方面能够获取更加丰富的特征，另一方面对目标形状提供了更加完整的约束。另一个优势是模型对图元预测噪点的容忍度更高，结果更具鲁棒性。