【论文阅读】【3D目标检测】PV-RCNN++

最新推荐文章于 2025-01-22 10:20:51 发布
最新推荐文章于 2025-01-22 10:20:51 发布
阅读量3.5k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
文章标签： PVRCNN 3D目标检测
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/113923665
PV-RCNN++是PVRCNN的升级版，针对3D目标检测效率进行了优化。文章中提到，PVRCNN的主要瓶颈在于point-based network，因此引入了SPC（Sample Proposal Center）策略，通过预测提案选择靠近物体的点，减少FPS计算的点数，并按角度划分进一步优化。此外，为了改进voxel特征聚合，提出了VectorPool aggregation，它使用局部向量表示来保持相对位置信息，避免了radiusNN和MLP导致的计算延迟。在KITTI上，PV-RCNN++实现了每帧0.06秒的运算速度。

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

文章目录

论文：PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection

PVRCNN的作者又放出了PVRCNN++，主要在效率上做了改进。

PV-RCNN++

本文首先介绍了PVRCNN，然后基于PVRCNN的框架介绍了PVRCNN++的改进。PVRCNN就不介绍了，可以详见另一篇博客。

PVRCNN速度慢主要是慢在了point-based network这个部分。PVRCNN对做了如下改进。

SPC

FPS比较慢，因为FPS是 O ( n 2 ) O(n^2) O(n

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文阅读笔记 | 三维目标检测——PV-RCNN++算法
Clichong
12-08 2525
PV-RCNN++的基本原理延续这PV-RCNN：基于体素的策略可以更有效地编码多尺度特征，并从大规模点云生成高质量的3d候选框；而基于点的策略可以保留精确的位置信息，并具有灵活的感受野，用于细粒度的建议细化。 在PV-RCNN的基础上，PV-RCNN++对其进行了改进。改进的第一点就是关键点的采样，这里提出了分区关键点采样策略（sectorized proposal-centric keypoint sampling strategy），要比原始的距离最远点采样更加高效（D-FPS距离最远点采样的具有二
第146章 PCL 3D目标检测（基于传统方法）
最新发布
yumeiguo的博客
05-03 61
模块技术预处理VoxelGrid滤波、PassThrough滤波地面分割RANSAC平面拟合目标分割欧式聚类（基于kd树）包围盒提取可选扩展PCA方向分析提取旋转包围盒（OBB）
[论文阅读]PV-RCNN++
qq_53909832的博客
11-07 1905
PV-RCNN++论文阅读
【3D 目标检测】PV-RCNN++
qq_36380978的博客
09-17 2123
一 核心思路 在开始本博客的阅读时，需先对PVRCNN进行大体的了解，也就见我的另一篇博客 【3D 目标检测】PVRCNN详解(个人阅读心得并总结其他人的结论得出的文章)_qq_36380978的博客-优快云博客 这篇文章是在PVRCNN的基础上进行改进的。主要是为了提升效率，降低运算成本。主要的创新点在于提出了sectorized proposal-centric key point sampling strategy和VectorPool。第一个创新是为代替在PVRCNN上的Keypoints
PV-RCNN++ | 利用Transformer让Point与Voxel更好结合
CV_Autobot的博客
09-04 1494
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后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！outdoor LiDAR点云中的前景点（即物体）和背景点之间经常存在很大的不平衡。它阻碍了检测器专注于信息区域以产生准确的 3D 目标检测结果。本文通过语义Point-Voxel特征交互提出了一种新颖的目标检测网络，称为PV-RCNN++。与...
PV-RCNN++网络结构
Oliver_jiang的博客
03-13 2369
PV-RCNN++（PV-RCNN-V2）
论文小结：PV-RCNN
u013086672的博客
12-17 1489
PV-RCNN收录于CVPR 2020。文章一作作者是来自香港中文大学MMLab实验室的博士Shaoshuai Shi，这是我知道的他的第三篇一作论文，前两篇分别是PointRCNN（CVPR 2019）、Part A^2 Net（PAMI）。这是一篇将Voxel-base方法和Point-base方法进行深度结合的文章，充分结合了两种方法各自的优势，算是一个集大成者。
PV-RCNN++网络结构和代码解析
NNNNNathan的博客
04-22 6818
1、前言 这篇文章废话不多说了，主要史帅基于PV-RCNN上面进行的改进，本文不会从头构建网络并进行解析，对于PV-RCNN不了解的小伙伴可以先去看我之前的文章。 PV-RCNN论文和逐代码解析（一）_NNNNNathan的博客-优快云博客_pvrcnn代码复现1、前言当前的点云3D检测主要分为两大类，第一类为grid-based的方法，第二类为point-based的方法。grid-based的方法将不规则的点云数据转换成规则的3D voxels （VoxelNet， SECOND ....
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1798
基于voxel（paper中提到的是grid-based）的方法计算效率更高，但不可避免的信息损失降低了细粒度定位精度；而基于point的方法计算成本更高，但是通过PointNet++中的SA层（set abstraction layer）可以实现更大的感受野（这种说法是首次提出的）。 PV-RCNN的想法也是同时结合这两种方法的优势，取其所长，利用voxel-based操作进行有效的多尺度信息编码，生成高质量的3d候选框；同时利用改进的set abstraction模块操作保留精确的位置信息和灵活的感受
【3D目标检测】PV-RCNN:Point-Voxel Feature Set Abstraction for 3D Object Detection
毛毛的博客
05-15 897
文章目录前言摘要1.介绍2.PV-RCNN for Point Cloud Object Detection2.1 3D voxel CNN高效特征编码和proposal生成3.2 Voxel-to-keypoint Scene Encoding via Voxel Set Abstraction3.结果5. 总结 前言 1. 实验方法是什么样的？ 2. 得到了什么结果？ 文章的特征提取方式充分结合了voxel-based和point-based两种方法的优点，3D voxel卷积可以高效地编码多尺度特
PV-RCNN、PV-RCNN++ 网络结构
zfjBIT的专栏
01-22 1014
PV-RCNN的提出是想要综合 point-based 和 voxel-based 3D目标检测方法的优势：既要尽可能保留原始点的精确位置信息，又要降低运算消耗。Voxel & Point based Method 点和体素方法的结合：实现了更高的识别性能和可控的内存消耗。Voxel-based 体现在3D稀疏CNN场景编码的过程中，将场景转换为多种尺度的特征空间，并且生成了高品质的预选框。
PV-RCNN:聚氯乙烯
04-23
PV-RCNN：用于3D对象检测的Point-Voxel特征集抽象 此PointVoxel-RCNN用于我们的CVPR 2020论文PointVoxel-RCNN用于从点云进行3D对象检测。 代码： 代码。 作者：石少帅，郭朝旭，李丽，王哲，石建平，王晓刚，李洪生。 抽象的 我们提出了一种新颖的，高性能的3D对象检测框架，名为PointVoxel-RCNN（PV-RCNN），用于从点云中进行精确的3D对象检测。 我们提出的方法将3D体素卷积神经网络（CNN）和基于PointNet的集合抽象进行了深度集成，以学习更多判别性点云功能。 它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活接收范围的优势。 具体而言，提出的框架通过新颖的体素集抽象模块将具有3D体素CNN的3D场景汇总为一小组关键点，以节省后续计算并对代表性场景特征进行编码。 考虑到体素CNN生成的
PV-RCNN预训练权重，作者文中的预训练权重。pvrcnn是一个两阶段检测算法
07-30
pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。
PV-RCNN++论文详解
JDJD_j的博客
12-14 376
相比于PV-RCNN，这篇有两个创新点，一是keypoint的采样，在PV-RCNN里是在原始点云FPS，这篇是采样原始点云再做FPS；二是局部特征提取的采样方式，前篇是用VSA模块。
【论文解读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
lwk___123的博客
01-22 2199
我们提出了一种新的高性能3D对象检测框架，称为PointVoxel RCNN（PV-RCNN），用于从点云中精确检测3D对象。我们提出的方法深度集成了三维体素卷积神经网络（CNN）和基于PointNet的集合抽象，以学习更具判别力的点云特征。它利用了3D体素CNN的高效学习和高质量建议以及基于PointNet的网络的灵活感受野。具体而言，所提出的框架通过新颖的体素集抽象模块将具有3D体素CNN的3D场景总结为一小组关键点，以节省后续计算并对代表性场景特征进行编码。
PV-RCNN
ylwhxht的博客
11-26 1819
PV-RCNN Key Knowledgeable： Point-based and Voxel-based Voxel Set Abstraction (VSA) FPS采样n个关键点。 对于每个关键点，分别在原始点云图fraw、3D稀疏卷积之后的多尺度特征图fpv、BEV投影的特征fbev上采用PointNet++的思想将一个半径范围的点视为一个集合（Voxel-based），获取点与点之间的邻域特征： 并将一个区域内的特征聚合（Point-based）： 得到[fraw，fpv，fbev] .
【阅读笔记】PV-RCNN
敲碎键盘的博客
03-04 6017
目前在kitti数据集榜单第一名，收录在CVPR2020。与pointRCNN同作者。 1 简介 文章称该方法把point-based和voxel-based两种方法的优势结合起来，提高了3D目标检测的表现。基于体素的操作可以高效的编码多尺度特征表示并生成高质量3D提案框，基于点操作有可变的感受野故可以保留更精确的位置信息。 voxel-based（grid）优缺点：高效、但信息损失降低定位细粒度...
3D目标检测(点云+体素)——PV-RCNN
qq_44799766的博客
10-31 3748
PV-RCNN论文阅读及个人分析。
deformable pv-rcnn论文
03-14
### Deformable PV-RCNN的主要贡献和特点 Deformable PV-RCNN旨在通过学习到的变形来提升3D物体检测的效果[^1]。此模型引入了一种新颖的方式，即利用可变形卷积核自适应调整感受野，从而更好地捕捉不同形状的目标对象特性。这种机制使得网络能够更加灵活地处理复杂场景下的目标变化。 在性能表现方面，该研究展示了其提出的算法不仅在精度上有显著提高，在速度上也有明显优势。具体而言，相比于先前最优的两阶段探测器——原始版本的PV-RCNN，新方法能够在保持较高准确率的同时加快近2.6倍的速度完成推断过程；而在单一阶段探测器领域，则超越了以往记录持有者SA-SSD约2.8个百分点，并缩短了大约四分之一的运算耗时[^3]。 此外，为了实现高效能的表现，研究人员设计了一个特殊的框架叫做Teacher & Student SSD架构。在这个体系里，教师模块负责指导学生部分的学习过程，两者共享相似但不完全相同的结构配置。特别值得注意的是，这里采用了稀疏卷积网络（SPConvNet）、鸟瞰视角（BEV）卷积网络以及多任务头部组件(MTHead)，共同作用于点云数据的有效编码与解码操作之中[^4]。 ```python import torch.nn as nn class TeacherStudentSSD(nn.Module): def __init__(self): super(TeacherStudentSSD, self).__init__() # Define SPConvNet layers here... # Define BEVConvNet layers here... # Multi-task head for regression and classification tasks. self.mt_head = MTHead() def forward(self, x): sp_features = self.sp_convnet(x) bev_features = self.bev_convnet(sp_features) output = self.mt_head(bev_features) return output ``` ### 实现细节和技术亮点 - **可变形卷积**：允许动态调整局部区域内的采样位置，增强了对非刚体变换下目标识别的能力。 - **高效的特征提取流程**：结合了三维空间中的稀疏表示和平面视图上的密集表达形式，既保留了丰富的几何信息又便于后续高层次语义分析。 - **一致性损失函数的应用**：促进了师生间知识传递的质量，有助于获得更为稳健可靠的预测结果。
评论 3
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