3D

说明： 3D目标检测道路上的一个初学者，希望记录下学习的每一个过程，文章仅是自己对学习内容的总结。 获取原文链接 摘要 本文将之前的工作--PointRCNN扩展到一个新颖而强大的基于点云的3D

Frustum PointNets for 3D Object Detection from RGB-D Data 1.背景 3D的运用以及逐渐广泛，但是之前大多数的工作是将3D书转化为2D的数据或者对3D数据进行体素化处理&

单目3D目标检测算法对自动驾驶领域非常重要，SMOKE是2021年CVPR workshop的文章，精度在kitti上排名前列，能实现实时推理，且代码开源，最近也被baidu

动机： in this paper that predicts a 3D bounding box for each detected object by combining a single keypoint estimate

一、前言 目前主流的空间点云检测主要有两种。一种是直接以三维点云作为输入，直接送入卷积网络或者转化为体素送入。另一种是将3D点云映射到2D，主要为鸟瞰图或者前视图。一般来说第一种方法目标的检测信息比较丰富&#xff

1.前言 本文要解析的模型叫做PointPillars，是2019年出自工业界的一篇Paper。 该模型最主要的特点是检测速度和精度的平衡。该模型的平均检测速度达到了62Hz，最快速度达到了105Hz&#xff0

写给读者 文章的内容主要是我个人在学习论文的过程中按模块对论文进行了粗略的翻译并且加入了一定的理解，其中对于一些我不太了解的额外知识进行了一个补充，欢迎大家指正。 Introduction LiDAR&#xff0

代码链接 paper链接 个人博客 问题 本文首先说明了一个问题就是NMS是一个非常重要的去除预测结果中重复的后处理过程。一些工作已经发现在NMS中使用IOU来作为排序的标准能够取得更好的效果。这里作者还用一个实验证明了上述说法的正确性

这是一篇发表在了cvpr 2021上，能够在线估计外参的单目3D目标检测算法，借鉴了visual odometry和style transfer的方法，效果好， 速度快（~3

Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather基本参数： clear-weather下的接收信号功率&#xf