admin管理员组

文章数量:1650765

文章目录

  • PV-RCNN
    • RPN
      • Backbone: 3D Sparse Convolution
      • Classification & Regression Head
    • Voxel Set Abastraction Module（VSA）
      • Discussion
      • VSA Module
      • PKW Module（Predicted Keypoint Weighting）
    • RCNN
  • Experiments
  • 思考

本论文目前是KITTI排名第一，香港中文大学和商汤出品，该作者还提出了PointRCNN和Part-A 2 ^2 2Net。

PV-RCNN

本文将Grid-based（我一般常称为Voxel-based）的方法和Point-based的方法优缺点结合了起来。本文首先说明了Grid-based和Point-based的方法的优缺点：
“Generally, the grid-based methods are more computationally efficient but the inevitable information loss degrades the fine- grained localization accuracy, while the point-based methods have higher computation cost but could easily achieve larger receptive field by the point set abstraction.”

网络的结构图如下：

RPN

Backbone: 3D Sparse Convolution

在本文中没有介绍太多，但在作者之前的一篇文章“Part-A 2 ^2 2 Net: 3D Part-Aware and Aggregation Neural Network for Object”中介绍的比较详细，由于是ba

本文标签： 目标论文RCNNPointVoxel

版权声明：本文标题：【论文阅读】【三维目标检测】PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://www.elefans.com/dongtai/1729533326a1205091.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。