SA-SSD基于点云的结构感知单级三维物体检测论文网址：SA-SSDSA-SSD的前向传播过程1.输入:原始点云数据,以及groundtruth框等标注信息2.数据预处理:将点云量化为稀疏张量表示,输入网络将点云量化为稀疏张量表示是使用的量化过程

0说在前面SA-SSD论文：https://www4.comp.polyu.edu.hk/~cslzhang/paper/SA-SSD.pdfSA-SSD源码（pytorch）：https://github.com

目录DependenciesMiniCondaspconv1.0其他依赖SA-SSD安装调试记录RuntimeError:resulttypeBytecan'tbecasttothedesiredoutputtypeBoolDependenciesGithubSourcepython3.5

)做两阶段的实验在openpcdet上采用gt增广的second在det3D上采用second满足速度要求的前提下：增加gt数据增广（没调参）修改voxel-size，融合vfe特征提取(没调参)增加SA-SSD

A.结构结构上可分为单阶段检测（PointPillars，3DSSD，SA-SSD，CIA-SSD和SE-SSD）和两阶段检测（PV-RCNN，PV-RCNN++和CenterPoint）。

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文章目录1.SA-SSD2.CIA-SSD3.SE-SSD1.SA-SSDpaper：《StructureAwareSingle-stage3DObjectDetectionfromPointCloud》（2020CVPR）结构图：问题：One-stage的算法网络为的是追求速度与精度的权衡，但是利用3d稀疏卷积对特征进行下采样后的特

C.He,H.Zeng,J.Huang,X.-S.HuaandL.Zhang,“StructureAwareSingle-Stage3DObjectDetectionFromPointCloud,”2020IEEE/CVFConferenceonComputerVisionandPatternRecognition(CVPR),2020,pp.11870-11879,doi:10.1109/CVP

Brief来自CVPR2020的研究工作，也是仅仅使用Lidar数据进行3D检测的文章，CVPR2020接收的几篇文章中，采用LiDar作为网络结构输入的已经已经多于采用图像和lidar的结合，从一方面讲，lidar数据由于包含了现实场景中的几何结构而比双目信息包含更加精确的信息。同时受到的外界条件的影响也相应的越小。这是一篇来自港理工和阿里达摩院的合作文章。这里是paper这里是code核心创新

在讲解它的训练流程的过程中，我会以3d目标检测算法SA-SSD为讲解对象。首先解析训练流程，然后去讨论推断流程。2.训练训练过程中的程序调用图如下所示。

小白我认识mmdetection框架是源于对检测算法SA-SSD的研究。在使用和调试SA-SSD和领略mmdetection框架的便捷高效之后，我打算认真分析mmdet

在分析单阶段目标检测算法SA-SSD时候，已经积累了一些3d目标检测的知识代码储备，希望这次的讨论能够顺利一些。2.Poi

1.引言前面若干篇博客讨论分析了SA-SSD的输入输出流，所需数据集的格式，整体网络框架，voxel生成，Anchor使用，BEV特征转换等等细节。

1.前言这篇博客将细致分析3D目标单阶段检测方法SA-SSD中的Part-sensitivewarping机制（简称PSWarping）。

1.引言现有的3D目标检测的算法的实现都比较复杂。在深入网络细节之前，需要弄清楚数据的输入输出流，数据以怎样的format输入到核心算法模块，又以怎样的format输出，以及评价算法模块的指标又有哪些，等等基础问题。为什么需要了解这些基础问题？笔者觉得，分析他人代码的唯一目的就是搭建自己的代码。否则了解大概就足够了。不以自己实际需求为主纯粹地分析代码多少有些浪费时间（笑哭）。多多少少有些功利，哈哈

1.前言当前，目标检测的深度网络一般训练至少50个Epoch。如果每个Epoch喂入的数据都是一样的，网络的误差函数可能会快速下降，但是会有很大的几率出现过拟合。这就像高中的笔者一直死记硬背地做一套习题，掌握不了知识变通一样。为了融汇贯通知识点，就需要做各式各样的练习题。在深度学习里，这就是数据增强（DataAugmentation），把输入的数据进行变形（GroundTruth也随之变化）。在点

torch1.4.0跟torch1.1.0不太一样，修改ssd_rotate_head.py代码中的bilinear_interpolate_torch_gridsample，改为defbilinear_interpolate_torch_gridsample(image,samples_x,samples_y):C,H,W=image.shapeimage=image.unsqueeze(1)#

1.引言最近看一些3D目标检测算法（比如之前分析的CVPR2020的SA-SSD），发现它们都调用spconv这个库。spconv对应Facebook在CVPR2018发的一篇文章。

AuxiliaryNetwork1.生成label2.loss构建三.SSDRotateHead1.前向传递2.loss构建3.生成label关于网络的细节也可以看这篇博客，作者介绍的很详细：小白科研笔记：简析CVPR2020论文SA-SSD

文章目录一.使用mayavi原因二.读取bin文件显示1.代码2.结果三.SA-SSD中点云和gt_bboxs显示1.准备工作2.代码2.结果一.使用mayavi原因由于torch和open3d冲突，使用

文章目录一.运行create_data.py遇到的问题1.路径问题2.ModuleNotFoundError:Nomodulenamed'pybind11'3.ModuleNotFoundError:Nomodulenamed'mmcv'4.ImportError:/opt/ros/kinetic/lib/python2.7/dist-packages/cv2.so5.ModuleNotFound

一、SECOND（2018）（单阶段，point-based）论文：https://www.mdpi.com/1424-8220/18/10/3337Github：https://github.com/traveller59/second.pytorchA、网络结构SECOND检测器,主要有这三个核心部分:(1)avoxelwisefeatureextractor；体素特征提取器(2)aspars

带着问题读文章1.什么是单阶段、二阶段（多阶段）？单阶段和二阶段（多阶段）的优势劣势对比？作者为什么选择单阶段？单阶段：就是只对点云数据进行检测。二阶段：先proposal，再精细。（二阶段方法，具体来讲，就是在第一阶段提取感兴趣的区域，然后通过在第二阶段重用具有完全分辨率的点云来产生更精确的检测）单阶段-高效率；二阶段-高精度；既保证单阶段的高效率，又保证二阶段的高精度。2.作者提出的第一个问题

SA-SSD复现环境Ubuntu16.04Python3.6pytorch1.1.0CUDA10.0Cudnn7.6.4依赖python3.6+pytorch(testedon1.1.0)opencvshapelymayavispconv

1源码下载源码下载:源码链接2注意事项经过N天的实验，暂时放弃了源码的实现，主要问题在于：作者的开发环境是ubuntu系统+CUDA，由于疫情原因，目前手上只有windows系统和ubuntu18.04虚拟机，虚拟机无法安装CUDA和显卡驱动，也不想去装双系统，因此回到实验室之后再做完整复现。但一下还是有复现中需要注意的地方，记下来提醒自己。1Windows系统下的复现笔者这里不建议在window

0.序言硕士阶段开始接触基于深度学习的自动驾驶课题，主要研究方向是基于激光雷达的环境感知。目前环境感知的结果包括：语义分割，目标识别和目标跟踪。在这里记录一下自己看过的论文，用的时候可以方便的找到。1.论文简介源码链接:https://github.com/skyhehe123/SA-SSD.论文链接:https://www4.comp.polyu.edu.hk/~cslzhang/paper/S

1SASSD算法神经网络结构SASSD在神经网络结构上的创新点主要在两点：auxiliarynetwork以及PSWarp损失计算方法。这两点在代码实现上也有一定的特点，同时代码结构和论文中的网络结构也存在一定的差异。如上图所示，论文中网络主要包括三部分，Backbonenetwork，Auxiliarynetwork和Detectionnetwork，但在源码中，Backbonenetwork和

1.前言我的上一篇博客简要分析了SA-SSD在预处理训练评估的框架。这篇博客将更近一步去分析SA-SSD使用mmdetection生成训练集的过程。

1.引言对于3D目标检测算法SA-SSD，考虑到我还是个大白，代码层面上有NNN个细节我还不是特别懂。具体而言，我会解决以下几个问题：Voxel是怎么生成的，数据格式是什么？

这篇博客分析cvpr2020论文SA-SSD:StructureAwareSingle-stage3DObjectDetectionfromPointCloud的开源代码中的数据预处理，模型训练和结果评估这几块基础代码

参考博客:简析SA-SSD在预处理训练评估的框架.作者博客空间:小白科研笔记.由于代码量和注释量都比较大，因此截取几个第一次接触或者有启发的代码。

在讲解的过程中，还是会以3D目标检测框架SA-SSD做例子讨论。2.网络架构2.1理论上的说明这段说明以单阶段3D目标检测框架SA-SSD为例。

主要讨论SA-SSD的数据流。2.数据输入2.1DataLoader类Pytorch训练网络的简单例程可参考这篇简书笔记。数据输入的代码片段如下所示。

Briefcvpr2020的研究工作，于2020/4/9日开源，如下图所示，和最近才阅读的文章Point-GNN一同被CVPR2020录取，目前被接收的文章有在KITTI上的有四篇，分别是PV-RCNN,SA-SSD

https://github.com/tomztyang/3DSSD前言cvpr2020的研究工作，于2020/4/9日开源，如下图所示，目前被接收的文章有在KITTI上的有四篇，分别是PV-RCNN,SA-SSD

作者：蒋天园Date：2020-04-16来源：SA-SSD：阿里达摩院最新3D检测力作（CVPR2020）Brief来自CVPR2020的研究工作，也是仅仅使用Lidar数据进行3D检测的文章，CVPR2020

single-stage物体检测模型|CVPR2020前言这是一篇来自CVPR2020的研究工作，于2020/4/9日开源，如下图所示，目前被接收的文章有在KITTI上的有四篇，分别是PV-RCNN,SA-SSD