pointrcnn运行_PointRCNN 基于3D点云下的目标检测

PointRCNN :

基于

3D

点云下的目标检测

前言

2019 CVPR

香港中文大学的一篇

3D

目标检测的文章,

是第一个输入只有原始点云数据的两

阶段

3D

目标检测方法,

截至发表似乎在

KITTI

排行榜上拍第一(作者说的)

,但是现在不

是了。用作者给的

pre-trained model

测试了,发现效果真的不错!

论文亮点

1.

第一个只用输入原始点云的两阶段

3d

目标检测方法。

2.

使用前景点(语义分割得到的有效点)回归检测框,减少了检测框的搜索范围。

3. canonical refinement

的方法。

4.

基于

bin

loss

思路概括

目前作者公布的代码只能对一个类别做检测,假设这个类就是“车”,这也是

KITTI

数据集中

标注最多的类,这个目标检测方法分两个阶段:

(

1

)第一阶段:生成一大堆很冗余的

bounding box

。首先,对点云语义分割,对每个点的

到一个预测

label

,比如现在:对所有判断是“车”的点(也叫做前景点)

,赋予

label=1

,其他

点(也叫做背景点)

,赋予

label=0

然后,用所有前景点生成

bounding box

,一个前景点对应一个

bounding box

。但是必须要

保证语义分割结果的准确。然后作者使用了一些去除冗余的方法,继续减少

bounding

box

的数目,这一阶段结束的时候只留下

300

bounding box

(

2

)

第二阶段:

继续优化上一阶段生成的

bounding box

首先,

对前一阶段生成的

bounding

box

旋转

平移,

把这

bounding

box

换到自

己的正

规划坐

标系下

(

canonical

coordinates

)

结合上然后,

通过点云池化等操作的到每个

bounding box

的特征,

再结合第

一阶段的到的特征,进行

bounding

box

的修正和置信度的打分,从而到最终的

bounding

你可能感兴趣的:(pointrcnn运行)