【论文阅读】【三维目标检测】BirdNet: a 3D Object Detection Framework from LiDAR Information

最新推荐文章于 2025-04-01 10:14:24 发布
最新推荐文章于 2025-04-01 10:14:24 发布
阅读量2.1k 收藏 3
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 论文阅读
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/wqwqqwqw1231/article/details/103857357

文章目录

BirdNet: a 3D Object Detection Framework from LiDAR Information
西班牙马德里卡洛斯三世大学Intelligent Systems Laboratory (LSI) Research Group，发表在2018 ITSC上

BirdNet

本方法只使用激光雷达，但网络上的创新不多。

数据预处理

将点云栅格化，栅格化的结果包括三个通道：

  • cell内最高点的高度
  • cell内所有点intensity的平均值
  • cell内点的density

我认为本文的最大的创新点就在于此，本文为了提高方法对于不同线束激光雷达的普适性，对density这个通道做了normalization。

具体就是对density除以每个cell的density的最大值。这个最大值是该cell与sensor之间没有遮挡，而且阻挡全部扫过来的激光线计算的。使用该方法做density的归一化，可以改善density这个通道在不同线数激光雷达下剧烈变化的问题。

处理网络

就是使用FasterRCNN，无非是修改anchor，卷积层数和增加一个预测转角的head。预测的转角也是使用分类和回归并行的bin-loss模式。

后处理

值得注意的时候，这里FasterRCNN预测不是车辆的长和宽，而是与坐标轴相平行的车辆外接矩形的外接矩形。然后通过固定每个类别的w，计算每个box的l。这种处理方式，也仅仅是在本文内见过。

实验

与其他方法对比的结果并不好。

使用可视化验证了在多种线数的雷达下的检测效果，但并没有对比。

评价

总体来说，本文贡献有限，实验对比不充分。但思

最低0.47元/天 解锁文章

200万优质内容无限畅学
目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究(下)
qq_36130719的博客
04-25 859
Pseudo-LiDAR采样可以遵循随机性的方法，对全部点云进行采样，然而该方式很可能会抹去小物体的点云，对相隔较远处的物体检测衰减也能够预期，如图。功能，因此本文将掩码乘到对应的原始点云特征𝑝上，再与原始𝑝以残差连接的方式相加，得到最终的融合特征，最终输出定义如公式4-5所示。主干特征的提取网络选择Densenet161，对深度估计模型进行训练并收敛，以视为后续端到端训练的的预训练模型。根据表5-1可以得知，本文建立的实验神经网络模型数量达到6个，Base表示的是基线，SSIS确定的。
论文速读系列一：VoteNet、CBGS、BirdNet、StarNet、STD
Clichong
12-07 1495
如有错误，恳请指出。参考网上资料，对一些经典论文进行快速思路整理参考网上资料，对一些经典论文进行快速思路整理paper：《Deep Hough Voting for 3D Object Detection in Point Clouds》 结构图： 思路：利用投票的思路先获取物体中心，再进行后续方向尺寸等信息预测对于点云空间的每个点都可以预测其到某个物体中心的相对距离，这个相对距离可以通过标注信息获取进行有监督训练。那么如过某个区域的大部分点其预测的中心都比较接近，这个中心大概率是某个物体的中心。也就是说，
BirdNet: a 3D Object Detection Framework from LiDAR information
qq_29981283的博客
11-08 1903
BirdNet 论文解读 核心思想： Detection Framework: 第一步：将三维点云信息处理成2D的鸟瞰图。 第二步：利用处理图像的卷积神经网络鸟瞰图，得到位置，朝向，类别等2D信息。 第三步：进行3D Object Oriented Detection，对高度进行回归。 网络框架： 第一步：将３维点云信息投影成3-channel BEV map. 第二步：利用faster-rcn...
LiDAR 3D Object Detetcion
喵喵
10-24 345
LiDAR 3D Object Detection 最近读了一些基于LiDAR 3D检测的paper，general的方法这里不重复赘述，主要针对该类task的challenge部分work的点进行总结。 challenge lidar-based method 面临的主要挑战之一是远处的物体/车辆，会有相当稀疏的点（如个位数），以至于这些点无法推断出这是一个物体，那么这便造成远处物体的漏检和误检...
Lidar based 3D object detection
tyl532667325的博客
07-21 1319
M. Himmelsbach, A. M¨uller, T. L¨uttel and H.-J. W¨unsche. 2008 摘要 本文描述了基于激光雷达的感知地面机器人移动系统，包含了3D物体检测，分类和跟踪。 该系统被应用于我们的自动地面车辆MuCAR-3，使其能够安全地在城市交通以及野外场景种航行。 我们的方法的效率源于2D和3D数据处理技术的独特组合。 其中点云快速分割在2.5D网格...
【3D目标检测】PDV（Point Density-Aware Voxels for LiDAR 3D Object Detection）
可乐大牛的博客
10-12 2715
首先，本文是基于点云，并且将点云处理成体素的3D目标检测网络。Voxel Point Centroid Localization（体素点质心定位）就是使用非空体素中点计算体素的质心，然后结合质心点的特征得到包含细粒度位置信息的点密度分布，并使用它来实现候选框的回归，从而避免采样点云。
Lidar Object detection
huang_victor的博客
10-28 4461
OpenPcdet Backbone 2d & RPNAnchor based vs Center based RPNSSD anchor basedCenterNet anchor freeSECOND Voxelization, Voxel Feature Extraction,3D SpconvConv, Map to BEVSECOND backbone 2dSECOND RPNCenterPoint backbone 2dCenterPoint RPN Anchor based vs Ce
【论文阅读】【综述】3D Object Detection 3D目标检测综述
热门推荐
麒麒哈尔的博客
06-04 4万+
aaa3D Detection新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 3D Detection 你好！...
【3D 目标检测】2019 CVPR Learning 2D to 3D Lifting for Object Detection in 3D for Autonomous Vehicles
鹿鹿的博客
11-10 2043
CVPR 2019 Learning 2D to 3D Lifting for Object Detection in 3D for Autonomous Vehicles 3D object detection 2D monocular images autonomous driving scenarios Proposal lift the 2D images to 3D represe...
Sensor-Fusion-Lidar-Object-Detection-master(1).zip
10-09
Sensor Fusion Self-Driving Car Course，优达学城自动驾驶课程by combing lidar's high resoultion imaging with radar's ability to measure velocity of objects we can get a better understanding of the sorrounding environment than we could using one of the sensors alone.
【论文阅读】【3d目标检测】Point Density-Aware Voxels for LiDAR 3D Object Detection
hgj1h的博客
04-08 2032
论文题目：Point Density-Aware Voxels for LiDAR 3D Object Detection cvpr2022 多伦多大学 这篇文章主要是对于现在voxel的方法忽略点云在roi中的稠密度的问题做了一定的工作。 过去的一些工作要么就是进行规则的voxel操作，在每个voxel的格子中规则地提取feature，要么就是利用FPS考虑一些关键点，来进行特征的提取。这些关键点对于点云的稠密度有一定的识别作用：例如在稠密的地方，选取的点肯定多一些，这样便利于物体的识别。（例如PVRCN
2023最新！3D目标检测万字总结 ，超全的Lidar模型汇总
CV_Autobot的博客
10-21 2283
作者|牛牛牛肉饭 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/660216714点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群本文只做学术分享，如有侵权，联系删文2023年已经匆匆过去大半，不知各位自动驾驶小伙伴今年的工作生活情况是否顺利呢？高阶ADAS方案量产了吗？新的文章和实验进展又是否顺利呢？今...
【亲测免费】 探索自然之声：鸟语识别新境界 —— BirdNET-Lite项目推荐
gitblog_00070的博客
06-14 785
探索自然之声：鸟语识别新境界 —— BirdNET-Lite项目推荐 在数字时代，科技与自然的融合开启了一个全新的探索窗口。今天，我们向您介绍一款开源宝藏——BirdNET-Lite，这是专为鸟类声音识别打造的轻量级解决方案，覆盖全球超过6000种鸟类的辨识，让每一声自然之歌都变得可追寻，可理解。 项目介绍 BirdNET-Lite是Cornell大学生物声学保护中心的杰作，以TensorFlow...
使用BirdNET-V2.4训练自己的数据集
weixin_53238517的博客
12-03 999
使用BirdNET-V2.4训练自己的数据集
基于深度学习的3D目标检测与跟踪
一点人工一点智能的博客
04-30 2598
目标检测和跟踪对于自动驾驶来说是至关重要和基础的任务，旨在从场景中识别和定位出那些预定义类别的对象。在所有形式的自动驾驶数据中，3D点云学习引起了越来越多的关注。目前，有许多用于3D目标检测的深度学习方法。然而，鉴于点云数据的独特特性，点云的目标检测和跟踪任务仍需要深入研究。
一文概览目标检测领域进展(数据集/2D/3D)
小白学视觉
01-03 971
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达目标检测一直是计算机视觉领域中一大难题。近日，来自阿尔伯塔大学的研究者对目标检测领域的近期发展进行了综述，涵盖常见数据格式和数据集、2D 目标检测方法和 3D 目标检测方法。目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别。由于目标具有许多不同的外观、形状和姿态，再加上光线、遮挡和成像过程中其它因素的干...
（动工中）论文梳理 —— Joint 3D Proposal Generation and Object Detection from View Aggregation
LinesYao
08-05 4049
论文地址 官方源码 0.摘要 该论文主要是提出AVOD(Aggregate View Object Detection)网络，多视角聚合数据实现无人驾驶场景下3D物体实时检测的网络。avod网络以由雷达点云数据生成的BEV map和RGB图像作为输入，经过子网络region proposal network(RPN)产生non-oriented region proposals，将这些pro...
Introduction to 3D Object Detection with Lidar
Leon_yixiao的博客
07-06 908
深度学习的开始 人类的大脑是一个神秘的器官，它由无数的神经细胞组成，神经细胞又有突触，轴突，树突等组成，至今我们还未对大脑如何工作研究的十分清楚。1943年，美国数学家沃尔特·皮茨（W.Pitts）和心理学家沃伦·麦克洛克（W.McCulloch）在发表论文《神经活动中内在思想的逻辑演算》中，提出了MP模型。MP模型是模仿神经元的结构和工作原理，构成出的一个基于神经网络的数学模型，本质上是一种“...
BirdNET-Analyzer 使用教程
最新发布
gitblog_00286的博客
04-01 734
BirdNET-Analyzer 使用教程 1. 项目介绍 BirdNET-Analyzer 是一个用于科学音频数据处理的开源项目。它包含 BirdNET 模型和脚本，用于处理大量的音频数据或单个音频文件。该项目是 BirdNET 的最先进版本，用于声学分析，旨在让没有计算机科学背景的科学家也能运行分析。BirdNET-Analyzer 由康奈尔鸟类实验室的 K. Lisa Yang 保护和生物声...
3d 点云目标检测
03-11
### 3D点云目标检测方法概述 #### PointPillars算法 PointPillars 提出了点柱思想，采用一个新颖的编码器，利用点网络来学习点云在垂直点柱中的特征表示。此方法进一步采用2D 的卷积网络（任何标准的2D 卷积检测架构）进行点云特征提取，从而避免了计算量庞大的3D卷积运算。这种方法能够实现高效的实时处理，在单检测头配置下可达到105Hz的速度[^3]。 #### VoxelNet及其变体 VoxelNet 将三维点云切割成多个小块即体素，类似于将像素排列形成二维图像的方式构建三维结构。尽管VoxelNet 不是对体素直接执行卷积操作，而是采用了更复杂的机制来进行特征提取，但其核心理念仍然是基于体素化处理。这种技术使得模型能够在保持较高精度的同时有效地减少计算复杂度[^4]。 #### BirdNet框架 BirdNet 构建了一个从LiDAR信息出发的3D对象检测框架，专注于如何高效地处理来自激光雷达传感器的数据以完成精确的目标识别任务。虽然具体细节未在此提及，但从名称推测该框架可能特别关注鸟瞰视角下的场景理解与分析[^2]。 #### 多视图投影法 另一种常见的策略是多视角投影法，即将三维点云映射至若干个不同的二维平面上进而生成相应的图像表示形式。这样做的好处是可以充分利用成熟的2D视觉处理工具和技术栈，同时也简化了后续阶段的任务难度。 ```python import numpy as np def point_cloud_to_voxels(point_cloud, voxel_size=0.1): """Converts raw point cloud data into voxels.""" min_coords = np.min(point_cloud[:, :3], axis=0) max_coords = np.max(point_cloud[:, :3], axis=0) grid_shape = ((max_coords - min_coords) / voxel_size).astype(int) + 1 voxel_grid = np.zeros(grid_shape.tolist(), dtype=np.float32) indices = (point_cloud[:, :3] - min_coords) / voxel_size valid_indices = ~np.any(indices < 0 | (indices >= grid_shape), axis=-1) voxel_grid[tuple(indices.T.astype(int))] += point_cloud[valid_indices][:, 3] return voxel_grid ```
评论
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