自动驾驶系列-PointNet

最新推荐文章于 2025-06-16 20:57:34 发布
原创 最新推荐文章于 2025-06-16 20:57:34 发布
· 217 阅读 · 0 ·
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：

#自动驾驶 #人工智能 #机器学习

PointNet利用Tnet实现旋转不变性，并通过全连接层构建置换不变性，强调主干点在上采样中的作用。而PointNet++则针对PointNet的最大池化问题，解决了局部点间联系的建模难题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

https://blog.youkuaiyun.com/limingmin2020/article/details/123630112
一、PointNet
通过Tnet来构建点云的旋转不变性，通过全连接层来构建点云的置换不变性
在这里插入图片描述
在这里插入图片描述
发现主干点的作用明显，主干点再上采样。

二、PointNet++
主要解决PointNet最大池化导致局部点之间的联系无法建模问题。
在这里插入图片描述
在这里插入图片描述

樨潮
关注
自动驾驶---Perception之视觉点云&雷达点云
智能汽车人的博客
06-11 2816
视觉点云技术和LiDAR点云技术在许多行业都有应用，尤其是在机器人或者汽车自动驾驶领域都有着广泛的应用。视觉点云技术和LiDAR点云技术在自动驾驶领域的应用为车辆提供了强大的环境感知能力，有助于实现更安全、更可靠的自动驾驶。
自动驾驶---Perception之Lidar点云3D检测
智能汽车人的博客
06-24 1635
Lidar（Light Detection and Ranging，激光雷达）点云3D检测是一种利用激光雷达获取周围环境的三维数据，并对其进行处理和分析，以识别和定位物体的技术。Lidar点云3D检测是一种复杂而强大的技术，可以广泛应用于自动驾驶、机器人导航、地形测绘等领域。通过不断优化算法和提高数据处理能力，可以实现更高精度和更高效的3D检测。
阿里巴巴自动驾驶三维点云分割PointNet实现
Summit的专栏
12-24 1521
阿里巴巴点云分割(PointNet) 项目地址：https://github.com/Summit11/PointNet_AliData 本项目是点云分割模型PointNet在DataFountain平台上阿里巴巴自动驾驶三维点云分割比赛 https://www.datafountain.cn/competitions/314/details/rule 数据集上实现的代码。模型和代码结构基本跟Po...
自动驾驶 PointNet++ 点云处理原理与代码实战（理论部分）
爱学习的大叔的博客
07-19 2189
自动驾驶 PointNet++ 点云处理原理与代码实战
自动驾驶 PointNet++ 点云处理原理与代码实战 2（代码部分）
爱学习的大叔的博客
07-24 5万+
自动驾驶 PointNet++ 点云处理原理与代码实战 2（代码部分）
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
自动驾驶 3D点云深度学习与实践 二 基于Point的3D深度学习
爱学习的大叔的博客
07-29 249
自动驾驶 3D点云深度学习与实践 二 基于Point的3D深度学习
自动驾驶车道线检测系列—3D-LaneNet: End-to-End 3D Multiple Lane Detection
u013889591的专栏
07-16 1476
我们介绍了一种网络，可以从单张图像直接预测道路场景中车道的3D布局。这项工作首次尝试使用车载传感设备来解决这一任务，而不假设已知的恒定车道宽度或依赖预先映射的环境。我们的网络架构，3D-LaneNet，采用了两个新概念：网络内逆透视映射（IPM）和基于锚点的车道表示。网络内IPM投影在常规图像视图和俯视图中促进了双重表示信息流。基于每列锚点的输出表示使我们能够采用端到端的方法，取代了常见的聚类和离群值拒绝等启发式方法，将车道估计视为目标检测问题。此外，我们的方法能够明确处理车道合并和分离等复杂情况。
自动驾驶深度学习点云分割技术与PointNet系列代码解析
深度学习点云分割：PointNet系列和代码.zip文件中包含了相关的深度学习算法代码，这对于希望从事自动驾驶研究和开发的同学们来说，是一个宝贵的资源。代码的公开能够让研究者和工程师们更深入地理解模型的实现细节，...
深度学习点云分割：PointNet系列和代码.zip
04-18
点云分割是自动驾驶领域中的关键技术之一，用于...总的来说，点云分割是自动驾驶的关键技术，PointNet系列算法为此提供了有效工具。通过学习和掌握这些知识，你可以更好地理解和应用深度学习在自动驾驶领域的最新进展。
【语义】如何使用PointNet训练点云数据和点云分割(初探)
余辉亮的学习笔记
10-17 2万+
大家好,今天给大家介绍下cvpr2017 一篇文章Pointnet 语义分割,该网络基于tensorflow 写的,非常轻巧方便,但是文章和代码有一定出入,在训练过程中出现过拟合现象,大概训练了10个小时多. 1    需要准备的东东 (1) Ubuntu 16.04  GTX1060 6G (2) CUDA 安装 (3) tensorflow 安装  2 下载源码 git c
【自动驾驶】深度学习用于自动驾驶技术 DeepDriving（ICCV 2015）
白辰甲
12-27 1万+
无人驾驶技术在最近几年得到了迅猛发展，今天将分享 ICCV 2015 的一篇有关方面的论文: DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving 有兴趣的读者可以参考其官网链接。本文并非完全翻译该论文，主要说明其思想和创新点。1. 相关研究论述目前相关研究主要集中于两种方法，第一种方法基于中间的
三维深度学习之pointnet系列详解（一）
热门推荐
qq_15332903的博客
05-09 13万+
目前二维深度学习取得了很大的进步并且应用范围越来越广，随着三维设备的发展，三维深度学习得到了很大的关注。最近接触了三维深度学习方面的研究，从pointnet入手，对此有了一点点了解希望记录下来并分享，若有误希望指正~持续更新以下所有的解读基于点云分类。一、三维深度学习简介二、点云存在的问题三、pointnet网络结构详解四、pointnet代码详解五、参考文献一、三维深度学习简介多视角（multi...
自动驾驶LiDAR点云深度学习综述
深度学习技术前沿
09-18 2322
/导读/本文是滑铁卢大学CogDrive实验室和Geospatial Sensing and Data Intelligence Lab实验室联合刚发表在 IEEE Transact...
pointnet++ 运行攻略 & 增加训练属性方法
weixin_39080281的博客
01-28 5821
最近在研究pointnet++，由于楼主的主要场景在室外自动驾驶。所以使用了VKITTI数据集。 在50个traning set和10个test set的情况下目前分7类平均precision 91%，recall 88%。 3月28日更新：目前precision 98%, recall 95% 1 下载: git clone https://github.com/charlesq3...
自动驾驶系统研发—从工程视角看纯视觉自动驾驶的安全挑战与应对策略
最新发布
u013889591的专栏
06-16 193
本文深入探讨了纯视觉自动驾驶系统的安全挑战与应对策略。文章首先分析了厂商选择纯视觉方案的三大现实考量：成本优势、系统简化与数据闭环友好性。随后揭示了纯视觉感知的三大系统性瓶颈：极端环境适应性差、深度估计精度不足和感知-决策延迟问题。针对这些挑战，团队提出了三种工程解决方案：Occupancy Network空间建图、高精地图先验引导和视觉众包数据增强。最后强调自动驾驶安全的核心在于系统冗余设计，并展望了多任务模型、端到端学习等未来突破方向。文章指出纯视觉并非激进实验，而是工程权衡下的最优解。
自动驾驶系统研发系列—AI大模型驱动的智能座舱：从概念到落地的工程解析
u013889591的专栏
06-12 628
过去两年，汽车圈的智能化风向标从“辅助驾驶”逐步转向“智能座舱”。与硬件参数的堆叠相比，座舱的智能化更直接触达用户感知：一句话能不能被理解？语音助手是否有温度？推荐内容是否合时宜？这些问题背后，正在悄然发生一场由大语言模型（LLM）驱动的人机交互革命。
CoLMDriver：基于LLM的协同自动驾驶
qq_54556560的博客
06-13 940
上海交大与上海AI实验室提出的CoLMDriver系统创新性地将大型语言模型(LLM)应用于多车协同驾驶。针对传统方法在环境建模和场景泛化方面的不足，该系统采用双管道架构：高层规划管道通过LLM谈判模块（Actor-Critic范式）实现动态分组协商，结合评估器的安全/效率反馈优化策略；底层执行管道则通过意图引导的Transformer模型生成可执行路径点。在InterDrive基准测试中，系统驾驶分数达88.53，成功率提升23%，尤其在车道变换场景表现突出。关键技术突破包括谈判机制创新、异步并行设计及意
自动驾驶技术路线之争：视觉派、激光雷达派与融合派，谁将引领未来？
m0_72427326的博客
06-16 475
自动驾驶感知技术主要分为三大路线：纯视觉派（以特斯拉为代表，低成本但依赖算法）、激光雷达派（以Waymo等为代表，高精度但成本高）和强感知融合派（主流发展方向）。纯视觉方案通过AI算法从2D图像重建3D环境，优势在于成本低但受环境影响大；激光雷达直接提供高精度3D点云数据，可靠性更高但成本昂贵；融合方案则结合多传感器优势，提升系统鲁棒性，成为高阶自动驾驶的主流选择。技术路线选择需平衡性能、成本和可靠性，未来发展方向取决于算法突破和成本控制。
评论 1
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
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