自动驾驶系统进阶与项目实战（十）基于PointPillars的点云三维目标检测和TensorRT实战（1）

自动驾驶系统进阶与项目实战（十）基于PointPillars的点云三维目标检测和TensorRT实战（1）

发表于CVPR2019的PointPillars是目前比较受业内认可的激光雷达三维检测算法，其推理速度和性能俱佳，百度Apollo和Autoware两个开源自动驾驶项目的感知系统均包含了基于PointPillars目标检测模块。本文首先从理论层面解析PointPillars方法，接着使用PyTorch和Kitti数据集从零开始训练一个神经网络，我们将使用kitti的测试数据推理并可视化检测结果。在下一篇文章中，我们将模型导出为ONNX，并且进一步导出为TensorRT的engine模型，最后在C++项目中推理TensorRT模型。完成本文，你将能复现以下结果：

PointPillars方法的特点

和2D图像的深度学习目标检测很不相同，点云数据具有两个显著特征：（1）相对2D图像来说，点云数据非常稀疏；（2）点云数据是三维的。为了将图像领域卷积神经网络做模式识别的经验引入三维点云中，一些深度学习方法采用了三维卷积方法或者是将点云投

版权声明：本文为CSDN博主「AdamShan」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/AdamShan/article/details/118880514