课程笔记-三维点云处理06 ——3D Object Detection（下）

课程笔记-三维点云处理06 ——3D Object Detection（下）

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！
本文主要为课程第六章的笔记！ 由于第六章继续进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。
本息可主要讲3D物体感知的昂发，介绍基于图像的、基于体素和点云的、以及基于融合的3D物体感知深度学习方法及经典理论

课程链接：

三维点云处理——深蓝学院
正式内容:
####################################################

本节课大纲：
############################################################

VoxelNet, PointPillars

对于三维数据的处理方式有以下四种：

多为结合2D的神经网络思想与方法，主要都是1stage和2stage方法，主要主干为基于图像的CNN解决方法和pointnet 的直接解决方法。

voxelnet

通过一个哈希表，可以避开对于空的voxel做运算，从而能够提升运算的效率

网络结构

损失函数

数据预处理、数据增广

pointpillars

对loss修改提出focal loss ，解决了类别不均衡问题，将网络的注意力转移到了关注预测错误的情况中去

PointRCNN

直接基于点云数据做DETECTION

提出了基于点云输入的2-stage 检测网络

·

（其实有点听不太懂了。。 如果对fastRCNN比较收悉的话思路是比较相似的。

Image and Point Cloud fusion - Frustum PointNet, PointPainting

F pointnet

思路是用mask做分割 用pointnet做检测
在工程应用方面由于时差问题与其他的融合问题，很难对齐图像和点云，而且因为容易遗漏信息，所以几乎没有被引用在工程上

pointpainting

思路是在图像上先做一步分割，然后将标签打在对应的点云上，然后去融合做方法。

HOME WORK

LABEL / RESULT 格式：

区别

大作业：