W1995S的博客

《Center-based 3D Object Detection and Tracking》CVPR2021代码：https://github.com/tianweiy/CenterPoint论文：https://arxiv.org/pdf/2006.11275.pdfCenterPoint听名字有种似曾相识的感觉，没错! 这篇文章的灵感正是来自于图像中的目标检测算法CenterNet: Objects as Points[1].（二者的作者都来自于UT Austin）本文提出将3D目标表示为点(

《STD: Sparse-to-Dense 3D Object Detector for Point Cloud》2019ICCV摘要新的两阶段3D目标检测框架，称之为稀疏到稠密三维目标检测框架（STD）（1）第一阶段是自下而上的proposal生成网络：该网络使用原始点云作为输入，通过为每个点播种新的球形anchor来生成准确的proposal。这个工作可以做到使用较少的时间到达high recall的结果。然后，利用PointsPool将proposals的内部点特征从稀疏表达转化为紧凑表示，从而

https://www.cnblogs.com/sdu20112013/p/12455629.htmlhttps://blog.youkuaiyun.com/Yong_Qi2015/article/details/106110653https://blog.youkuaiyun.com/a_123456598/article/details/107486129

[CVPR17]《Multi-View 3D Object Detection Network for Autonomous Driving》

《SECOND: Sparsely Embedded Convolutional Detection》 （单阶段，point-based）文章目录前言一、网络结构1. 体素特征提取器2. 稀疏卷积中间层3. RPN二、损失函数三、数据增强四、Network Details前言基于LiDAR或基于RGB-D的目标检测被用于从自动驾驶到机器人视觉的众多应用中。 在处理点云LiDAR数据时，基于Voxel的3D卷积网络已经使用了一段时间，体素方法能够在处理雷达点云数据时的保留更多的信息。 但是，仍然存

CVPR2018《VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection》文章目录前言一、主要思想和创新点二、整体网络框架1.Feature Learning Network2.Convolutional Middle Layers3.Region Proposal Network前言VoxelNet是苹果公司提出的一个只用点云来实现端到端的点云目标检测网络，和图像视觉中的深度学习方法一样，其不需要人为设计的目