-
Frustum PointNets for 3D Object Detection from RGB-D Data（2018）
3D空间的几何和拓扑结构
直接在3D空间操作可以更自然的参数化以及捕捉 重复、平面、对称等几何结构
2. Related Work3D Object Detection from RGB-D DataFront view image based methods（只是介绍了一种表示方法）Bird’s eye view based methods（难以检测小物体，难以适应垂直方向有多个物体的场景 ）3D based methods（各种方法各有缺点，如计算大、人工设计几何特征，不灵活等）Deep Learning on Point Clouds点云转化成图片或一定分辨率的立体网格，再把2D卷积泛化到3D卷积利用点云稀疏性设计高效的3DCNN架构直接处理原始点云（pointnet）pointnet已经可以做分类和语义分割，本文把它扩展到3D目标检测3. Problem Definition输入：点云目标：在3D空间中分类并且定位目标3D边框的表示：size： h, w, lcenter：
orientation：
，相对于预定以的规范姿势
4. 3D Detection with Frustum PointNets
4.1. Frustum Proposalfrustum proposal generation：① 给定摄像机投影矩阵，2D边框可以被提升到椎体，这个椎体定义了物体的3D搜索空间。② 收集椎体内所有点形成一个 frustum point cloud③ 旋转椎体，使椎体的中心轴正交于成像平面，可以提高算法的旋转不变性基于FPN的模型，先在ImageNet和COCO训练，再在 KITTI 2D object detection dataset 微调4.2. 3D Instance Segmentation直接回归物体位置的方法由于物体遮挡及背景复杂不容易但是物体在空间中是分开的，所以在3D点云中分割是自然且相对容易使用 3D mask coordinates 预测3D边框中心3D Instance Segmentation PointNet① 输入椎体内的点云，预测每个点属于该物体的分数，一个椎体只含有一个感兴趣的物体多类别检测时，类别进行onehot编码，并和中间点云特征concat② 3D Instance Segmentation 后，属于物体的点就可以提取出来（mask）③ 进一步标准化物体点的坐标，提高平移不变性XYZ值减中心不对点云缩放，坐标变换对结果很重要4.3. Amodal 3D Box EstimationLearning-based 3D Alignment by T-Net（内容不全） -
相关阅读:
【nacos】加载配置文件顺序解析
Django 中admin页面的css样式无法加载的终极解决方案
1.3 vue ui框架-element-ui框架
百分点科技连续四年登榜“中关村高成长企业TOP100”
适合小团队的任务管理软件有哪些？5款小团队使用最多的项目工具
BN的作用原理
IO进线程：消息队列
vue双向绑定原理
Stream手动分页
24 Bayes判别
- 原文地址：https://blog.csdn.net/weixin_43575791/article/details/106564987