激光点云3D目标检测算法之PointPillars

已于 2022-08-15 10:07:53 修改
阅读量3.2k 收藏 42
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 自动驾驶与深度学习 文章标签： 目标检测 3d 算法 深度学习 人工智能
于 2022-07-15 11:08:37 首次发布
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。
本文链接：https://blog.youkuaiyun.com/weixin_44613415/article/details/125800169

前言

《PointPillars: Fast Encoders for Object Detection from Point Clouds》是一篇发表在CVPR 2019上关于激光点云3D目标检测的文章，其中提出了一种新的点云编码方法用于给PointNet提取点云特征，再将提取的特征映射为2D伪图像以便用2D目标检测的方式进行目标检测。本文将对PointPillars算法模型进行简要的解读。

在这里插入图片描述

模型结构

PointPillars的网络结构如下图所示：

在这里插入图片描述

从图中可以看出，PointPillars分为三个部分。

第一部分：Pillar Feature Net (PFN)

该部分网络结构的作用是将点云转换为伪图像，转换过程的示意图如下：

在这里插入图片描述</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文阅读笔记 | 三维目标检测——PointPillars算法
Clichong
11-25 1791
PointPillars的出发点同样与SECOND一样，希望改进VoxelNet所使用3d卷积计算量太大推理速度太慢的问题。鉴于此，SECOND提出了稀疏卷积来提高普通3d卷积的推理速度，但是任然无法避免3d卷积的庞大计算量，没有从根本上解决这个问题，仍然需要使用计算昂贵的3d卷积操作。这个问题的核心本质是SECOND与VoxelNet将点云量化为三维空间上的一个个Voxel，所以3d卷积是无法避免的。 为了从根本上解决3d卷积的问题，PointPillars提出了一种新颖的量化方法（paper中写到是e
3D目标检测入门：PointPillars算法原理与实现
AI天才研究院
04-14 2220
3D目标检测是自动驾驶、机器人导航和增强现实等领域的核心技术。与2D目标检测相比，3D检测能够提供物体的空间位置、尺寸和朝向等更丰富的信息。本文旨在深入浅出地介绍PointPillars这一高效的3D目标检测算法，帮助读者理解其原理并掌握实现方法。本文首先介绍3D目标检测的背景和PointPillars的概况，然后深入解析算法原理和架构。接着通过数学建模和代码实现展示具体细节，最后讨论应用场景和未来发展方向。点云(Point Cloud)：一组三维空间中的点，通常由激光雷达(LiDAR)采集。
3D目标检测-基于Pytorch实现的3D点云目标检测算法-附项目源码-优质项目实战.zip
05-10
3D目标检测_基于Pytorch实现的3D点云目标检测算法_附项目源码_优质项目实战
激光雷达目标检测（下）
weixin_42238049的博客
11-16 4601
基于深度学习的算法 现在在激光雷达数据目标检测中最常用的算法是基于深度学习的算法，其效果与传统学习算法相比要好很多，其中很多算法都采用了与图片目标检测相似的算法框架。 早期的激光点云上的目标检测和图片上的目标检测算法并不一样，图片数据上常见的HOG、LBP和ACF【10，11，12】等算法并没有应用到点云数据中。 这是因为激光点云数据与图片具有不同的特点，例如图片中存在遮挡和近大远小的问题而点云上则没有这些问题，反过来图片中也并不存在上节中讨论的点云的很多特点。 从2014年开始随着RCNN、Fast RC
PointPillars 解读
最新发布
MAX的专栏
06-18 973
PointPillars 将3D点云经过**体素化**（Voxel）后形成**一系列的pillars**(理解为各种不同的柱子)。最后将3D点云特征变成经典的2D特征图，在2D特征图上进行3D目标检测 首先相比图像特征，点云特征是**离散的**、**稀疏的**、**无序的**、点云**数目是不固定**的。**因此要求不同的输入顺序和个数模型输出应该一致** max-pooling 刚好对无序输入不敏感。其次，将点云Voxel 化后分到不同的pillars 中去，**这样点云的无序输入也转变成了固定位置的
PointPillars算法解析
超爱吃小蛋糕的66的博客
08-19 1866
**核心思想：** PointPillars算法从俯视图的角度将点云划分为一个个的柱状体(Pillar)，等同于丢掉了高度信息，只保留水平方向上的xy坐标，每个柱状体(Pillar)等同于2D图像中的一个像素坐标。在得到伪图像之后使用常见2D网络进行特征的提取和学习，最后使用SSD检测头进行Bbox的回归。
3D点云目标检测-PointPillars算法解析
weixin_51021488的博客
05-30 2718
文章将点云数据转为点柱形式，以伪图像特征进行特征编码，避免了复杂的3D卷积的影响，提高了3D目标检测的速度，代码实现中还有不少细节值得解析，如为了防止角度抖动，增加的角度回归时的方向偏移值、 进行iou计算时所用到的部分面积求解相关数学公式。（叉乘、点乘相关数学性质！本人水平有限，若存在错误，请各位指正！
【3D目标检测】PointPillars: Fast Encoders for Object Detection from Point Clouds
可乐大牛的博客
11-02 786
首先，本文是基于点云，但不是将点云处理成体素，而是体柱！比较主流的一种方式就是将点云编码成体素，但是这就使得后面需要使用3D卷积进行特征提取，开销比较大（哪怕SECOND中引入了稀疏卷积，计算量还是比2D卷积大）；另外一种思路就是从俯视角度将点云数据进行处理，得到伪图片的数据，之后使用2D卷积处理，开销小了，但是得到伪图片的过程中，丢失了很多信息。因此作者在一定程度上融合了这两种方法的思想，提出了一种新的点云编码方式，在这种方式下，仅仅使用2D卷积就可以实现端到端的3D目标检测。
【3D目标检测】PointPillars: Fast Encoders for 3D Object Detection from Point Clouds
David's Tweet
09-22 530
参考：《pointpillar 维度分析：location loss》 前言 1. 为什么要做这个研究？ 作者认为采用3D卷积会大大降低处理速度，浪费计算资源。2. 实验方法是什么样的？ •从俯视图划分成H×W个格子，每个格子作为一个柱子，共有P根非空的柱子，每个柱子最大点数为N，每个点取D个维度，得到[D,P,N]； •对每个柱子采用PointNet提取特征得到[C,P,N]，再对点N最大池化为[C,P]，P=H×W，因此得到2D伪图像[C,H,W]； •使用top-down网络捕获不同.
PointPillar 3D目标检测模型详解
热门推荐
IT菜鸟
02-17 1万+
3D检测论文阅读简记自动驾驶中基于Lidar的object检测，简单的说，就是从3D点云数据中定位到object的框和类别。具体地，输入是点云 $X∈R^{N×c}一般c4，输出是n个检测框bboxes以第i个检测框bbox为例它包括∗∗位姿信息∗∗(一般 c=4 )，输出是 n 个检测框bboxes, 以第 i 个检测框bbox为例, 它==包括**位姿信息**一般c4，输出是n个检测框bboxes以第i个检测框bb。
激光点云3D目标检测算法之CenterPoint
DeepDriving
05-19 3440
是CVPR 2021的论文《》中提出的一个激光点云3D目标检测与跟踪算法框架，与以往算法不同的是，该算法不用边界框而是提出用关键点来表示、检测和跟踪3D目标：在检测流程中，第一阶段先用一个关键点检测器去检测目标的中心点，然后再用中心点特征回归出目标的3D尺寸、朝向和速度等属性，第二阶段再基于该目标额外的点特征去对这些属性进行优化；目标跟踪则被简化为一个简单的最近点匹配过程。提出的3D目标检测与跟踪算法非常简单而高效，在nuScenes和Waymo数据集上都取得了SOTA的性能表现。论文链接代码链接本文将对。
基于ROS的激光点云处理（点云降采样、欧式聚类分割的目标检测、地面拟合分割）
01-08
完整的ROS工程，针对激光点云数据，可以实现点云降采样处理、基于欧氏距离聚类分割的目标检测和地面拟合分割算法。可以直接使用。
【lidar】3D目标检测PointPillars：论文解读、代码解读、部署实现
03-20
点云处理技术在近年来的自动驾驶和机器人领域中占据了至关重要的地位，其中3D目标检测是核心环节之一。本文将深入探讨PointPillars这一高效且精确的3D目标检测算法，包括其论文解读、源码分析以及实际部署的实现方法...
基于点云的三维目标检测算法：PointPillars
.
08-14 667
本文介绍了一种基于点云的三维目标检测算法——PointPillars，并提供了相应的源代码。通过实验验证，PointPillars算法在三维目标检测任务中表现出色，具有较高的准确率和召回率，适用于自动驾驶等领域的应用。近年来，随着自动驾驶技术的发展和智能交通系统的广泛应用，对于精确、高效的三维物体检测算法的需求不断增加。本文将介绍一种基于点云的三维目标检测算法——PointPillars，并提供相应的源代码。此外，PointPillars算法还具有较快的处理速度和较低的计算复杂度，适用于实时应用场景。
点云 3D 目标检测 - PointPillars（CVPR 2019）
77wpa的博客
03-08 1万+
点云 3D 目标检测 - PointPillars1. 文章信息2. PointPillars 简介2.1 算法特点2.2 模型结构2.2.1 Pillar Feature Net2.2.2 Backbone (2D CNN)2.2.3 Detection Head (SSD) 1. 文章信息 文章标题 PointPillars: Fast Encoders for Object Detection from Point Clouds (2019) 文章链接 https://arxiv.org/ab
激光雷达点云配准算法
qq_53576285的博客
03-21 2181
主要介绍了激光雷达点云配准，重点推导ICP算法，并结合C++pcl库给出了ICP算法的一般代码实现。
PointPillars：工业界大量部署落地的点云目标检测算法，精度与速度上实现SOTA！
weixin_43980550的博客
10-02 2350
PointPillar将三维点云分为一些柱体pillars，利用PointNet提取柱体pilars特征，将特征映射为2D伪图像，对2D图像使用SSD提取目标检测框和类别，速度与精度实现SOTA！工业界已大量部署！
激光点云语义分割算法：RangeNet++
DeepDriving
08-12 2014
介绍激光点云语义分割算法RangeNet++
基于全景图像与激光点云配准的彩色点云生成算法（2014年文章）
点云PCL
05-06 3484
标题：The algorithm to generate color point-cloud with the registration between panoramic imagean...
深入解析PointPillars：3D目标检测技术全接触
PointPillars是针对3D点云数据进行目标检测的一种创新算法。它将点云数据从三维空间转化为“柱状”表示（Pillars），这些“柱状”数据可以快速被神经网络处理，大大提高了检测速度。与传统的基于体素的3D卷积神经...
评论 2
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

DeepDriving

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