PV-RCNN、PV-RCNN++ 网络结构

已于 2025-01-22 10:39:25 修改
阅读量1k 收藏 30
点赞数 12
CC 4.0 BY-SA版权
分类专栏： 三维数据处理 文章标签： 目标检测 3d 三维深度学习 OpenPCDet
于 2025-01-22 10:20:51 首次发布
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.csdn.net/zfjBIT/article/details/145298194

paper：

github：使用OpenPCDet进行训练测试 https://github.com/open-mmlab/OpenPCDet

PV-RCNN

简介

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。

PV-RCNN主要贡献：

  1. 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。
  • Point-based 体现在 Voxel-to-Keypoint 和 Keypoint-to-RoI grid 这两个步骤当中，它们本质上都是把邻域
了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文阅读笔记 | 三维目标检测——PV-RCNN++算法
Clichong
12-08 2553
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
PV-RCNN++网络结构和代码解析
NNNNNathan的博客
04-22 6841
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-CSDN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 ....
【3D 目标检测】PV-RCNN++
qq_36380978的博客
09-17 2145
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-CSDN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
【论文阅读】【3D目标检测】PV-RCNN++
麒麒哈尔的博客
02-21 3528
文章目录PV-RCNN++SPCVectorPool aggregation 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。 P
PV-RCNN
xinxiang7
02-08 874
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection Abstract PointVoxel-RCNN是一个新颖的,高表现的3D目标检测框架,从点云中检测3D目标. 我们的方法整合了voxel 3D CNN和基于PointNet的集抽象来学习更多的有鉴别行的点云特征.它充分利用了高效的学习,3D体素的CNN的高质量的proposals以及基于PointNet网络的灵活的感受野.该框架通过一个新的体素集抽象模块将三维场景与三维
PV-RCNN++网络结构
Oliver_jiang的博客
03-13 2379
PV-RCNN++（PV-RCNN-V2）
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 ...
[论文阅读]PV-RCNN++
qq_53909832的博客
11-07 2001
PV-RCNN++论文阅读
【阅读笔记】PV-RCNN
敲碎键盘的博客
03-04 6026
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...
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
3D目标检测(点云+体素)——PV-RCNN
qq_44799766的博客
10-31 3881
PV-RCNN论文阅读及个人分析。
【3D目标检测】PV-RCNN
可乐大牛的博客
10-11 1362
首先，本文是基于点云，并且将点云处理成体素的3D目标检测网络。PV-RCNN融合了点云特征提取中基于体素方法和基于点方法的思想，进一步提高检测的性能提出了一种voxel-to-keypoint的编码方法，该方法将一帧内的多尺度体素特征编码为一系列的关键点中。这些关键点不仅保留了准确的位置信息，还拥有丰富的全局信息，可以提高三维检测性能。提出了一种在proposal中使用的多尺度的RoI特征提取层。该层可以通过多个感受野提取丰富的上文信息，用于优化预测框和置信度评分。
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1817
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
论文总结--PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
最新发布
m0_60799447的博客
11-11 855
PV-RCNN结合了两种主流方法的优点：体素（Voxel）网络和点（Point）网络，以更好地提取3D点云的特征。
论文小结：PV-RCNN
u013086672的博客
12-17 1499
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++ | 利用Transformer让Point与Voxel更好结合
CV_Autobot的博客
09-04 1500
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...
【论文解读】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection
lwk___123的博客
01-22 2225
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。
推荐项目：PV-RCNN - 点云3D对象检测的高效框架
gitblog_00088的博客
06-03 525
推荐项目：PV-RCNN - 点云3D对象检测的高效框架 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 PV-RCNN 是一项在CVPR 2020会议上发表的研究成果，它提供了一种新颖且高效的3D对象检测框架，专为从点云数据中进行准确的对象识别而设计。该项目融合了3D体素卷积神经网络（CNN）和PointNet为基础的特征集抽象，旨在学习更为区分性的点云特征，实现...
PV-RCNN网络结构+代码
07-27
PV-RCNN（Point-Voxel Feature-based RCNN）是一种基于点云和体素特征的三维物体检测网络结构。它综合利用了点云的几何信息和体素的语义特征，提高了物体检测的性能。 PV-RCNN的代码实现可以在CSDN上找到，以下是一个示例代码： ```python import torch import torch.nn as nn # PV-RCNN网络结构定义 class PVRCNN(nn.Module): def __init__(self): super(PVRCNN, self).__init__() # 网络层定义... def forward(self, inputs): # 前向传播过程... return outputs # 实例化PV-RCNN网络 model = PVRCNN() ``` 请注意，这只是一个代码示例，具体的PV-RCNN网络结构和实现细节可能会有所不同。你可以在CSDN上搜索更多关于PV-RCNN的详细代码和实现方法。
评论
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

打赏作者

JoannaJuanCV

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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