3D目标检测总结

      3D目标检测的整个目标是通过绘制定向的 3D 边界框并分配标签来识别感兴趣的目标。考虑两种常用的3D目标检测方式，即图像和点云，检测3D空间中的物体对于增强现实、机器人和自动驾驶等广泛应用至关重要。3D探测器将生成具有大小、位置、方向和类别参数的3D边界框，以对检测到的物体进行定位和分类，使系统能够感知和理解周围环境。3D物体探测器可分为LiDAR点云、立体图像或单目图像。这项愿景任务的关键挑战与我们的使用方式、表现方式以及组合方式密切相关。由于手头只有图像，核心挑战来自缺乏深度信息。尽管在从图像恢复深度方面已经取得了很大进展，但这仍然是一个不恰当的反向问题。同一物体在不同的3D姿态下，在图像平面上会产生不同的视觉外观，不利于表征的学习。由于手头只有点云，关键的困难在于表示学习。点云本质上是稀疏的 点云本质上是不规则的和无序的。相机具有价格低廉、彩色信息、感知密集等诸多独特优势，使用相机进行3D目标检测已成为一个活跃的研究领域。然而，由于图像中缺乏精确的3D信息，基于LiDAR的3D探测器和基于摄像头的3D探测器之间存在较大的性能差距。因此，使用相机进行3D目标检测是一项极具挑战性的任务。 

一、基础

开源数据集：常用的数据集包括KITTI、Waymo Open Dataset、nuScenes等。这些数据集提供了丰富的3D点云和对应的标签，推动了3D检测算法的发展。对应详细介绍和下载可参考前面笔