冯子材的博客

MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird’s Eye View Maps摘要可靠地感知环境状态的能力，尤其是对象的存在及其运动行为，对于自动驾驶至关重要。在这项工作中，我们提出了一个有效的深度模型，称为MotionNet，以共同执行3D点云的感知和运动预测。MotionNet将一系列LiDAR扫描作为输入，并输出鸟瞰（BEV）图，该图对每个网格单元中的对象类别和运动信息进行

摘要摄像头和激光雷达是通常是机器人技术，特别是自动驾驶汽车的重要传感器形式。传感器提供补充信息，为紧密的传感器融合提供了机会。令人惊讶的是，仅使用激光雷达的方法在主要基准数据集上的性能优于融合方法，这表明文献中存在空白。在这项工作中，我们提出了PointPainting：一种填补这一空白的顺序融合方法。PointPainting将激光雷达点投影到仅图像的语义分割网络的输出中并将类分数附加到每个点。然后可以将附加的（painted）点云馈送到任何仅激光雷达的方法。实验显示，在KITTI和nuScenes数据

摘要提出了一种新的高性能的三维目标检测框架：PointVoxel-RCNN（PV-RCNN），用于从点云中精确检测三维目标。该方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象有机地结合起来，以学习更具鉴别能力的点云特征。它利用了3D体素CNN的高效学习和高质量提案以及基于PointNet的感受野可变的优势。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景总结成一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。考虑到体素CNN生成的高质量3D提案

Deep Learning for 3D Point Clouds: A Survey为国防科技大学发布的综述文章，这里只翻译摘要，第一章与第三章。下载链接：https://arxiv.org/abs/1912.12033；仓库链接：https://github.com/QingyongHu/SoTA-Point-Cloud。摘要由于点云学习在计算机视觉，自动驾驶和机器人等许多领域的广泛应...

摘要在本文中，作者提出了一种新颖的深度神经网络Fast and Furious（FaF），该网络能够针对3D传感器捕获的给定数据共同推理3D检测，跟踪和运动预测。通过共同推理这些任务，FaF的整体方法在遮挡和稀疏范围内的数据方面更加强大。FaF在鸟瞰3D世界的情况下跨时空执行3D卷积，这在存储和计算方面都非常有效。FaF对在几个北美城市中捕获的超大规模新数据集的实验表明，大大超越最新技术。重...

转载自https://www.cnblogs.com/llfctt/p/9475659.html,侵删kitti数据集标定文件解析 1、kitti数据采集平台KITTI数据集的数据采集平台装配有2个灰度摄像机，2个彩色摄像机，一个Velodyne64线3D激光雷达，4个光学镜头，以及1个GPS导航系统。图示为传感器的配置平面图，为了生成双目立体图像，相同类型的摄像头相距54cm安装。...

我们知道，图片标注主要是用来创建自己的数据集，方便进行深度学习训练。本文将推荐一款十分好用的图片标注工具LabelImg，重点介绍其安装以及使用的过程。本文使用的window10的Anaconda3下使用python3和pyqt5的组合，运行labelImg。首先从网址下载源码：https://github.com/tzutalin/labelImg。解压到想放的路径，得到labeli...

YOLOv3：增量改进摘要我们向YOLO提供一些更新！ 我们更改了一些设计，以使其更好。我们还训练了这个非常膨胀的新网络。它比比以前的版本大，但更准确。当然，它仍然很快。在320×320的图像上， YOLOv3以22毫秒的速度运行，mAP达到了28.2。与SSD一样准确，但速度提高了三倍。当我们使用旧的0.5 IOU mAP的检测指标度量YOLOv3，发现它效果非常好。它在Titan X上在5...

YOLO：统一的实时目标检测 摘 要 我们提出了YOLO，一种新的目标检测方法。以前的目标检测工作使用分类器来执行检测。相反，我们是将目标检测框架看作是一个从空间上分割边界框和相关的类别概率的回归问题。单个神经网络在一次评估中直接从完整图像预测边界框和类别概率。由于整个检测路线（pipeline 渠道;路线）是单个网络，因此可以直接在检测性能上进行端到端优化。 我们的统一架构非常快。我们的...

PointRCNN是CVPR2019录用的一篇三维目标检测论文。摘要本文中提出了一种PointRCNN用于原始点云的3D目标检测，整个框架包括两个阶段：第一阶段使用自下而上的3D提案产生，第二阶段用于在规范坐标中修改提案获得最终的检测结果。Stage-1阶段子网络不是从RGB图像或者将点云投影到鸟类视图或者体素中，而是通过将整个场景的点云分割为前景点和背景点，以自下而上的方式直接从点云生成少量...

YOLO v3原理及代码解析YOLO是一种端到端的目标检测模型。YOLO算法的基本思想是：首先通过特征提取网络对输入特征提取特征，得到特定大小的特征图输出。输入图像分成13×13的grid cell，接着如果真实框中某个object的中心坐标落在某个grid cell中，那么就由该grid cell来预测该object。每个object有固定数量的bounding box，YOLO v3中有三个...