3DObjectDetection 【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는? PointPillar의 최초의 특징량 추출을 VFE를 사용해 한층 더 멀티 Voxel에 update한 모델. Voxel이라고 써 있지만 Pillar에서 PointCloud를 구분하고 있는 것은 아닐까 생각한다(자세한 내용이 쓰지 않았기 때문에 추측) voxelize한 점을 에서 제안된 VFE를 사용해 Voxel 마다의 특징을 꺼낸다. Voxelization은 3 종류의 해상도로 실시한다. V... PointCloudLidarDeepLearningVoxel3DObjectDetection 【3D OD LiDAR】PIXOR : BEV에서 3D Object Detection 2D Grid로 구분하고 (H/dH+3) Channel H/dH는 dH 간격으로 높이 방향으로 구분 된 영역에 점이 존재하는지 (occupancy) 3은 높이를 3개로 구분한 영역의 intensity* * 아마. 단지 2D의 Object Detection을 BEV로 할 뿐. Local과 Global의 정보 얻기 위해서, FPN(Feature Pyramid Network)을 사용하면 좋은 것 ... PointCloudLidarDeepLearningBEV3DObjectDetection [3D OD LiDAR 편] Point RCNN: Anchor가 없는 2-stage 3D Object Detection 2D Object Detection의 RCNN을 패러디한 구조입니다. Point Net을 사용하여 대략적인 위치 추정 2nd stage=>1st stage를 통해 얻은 Bounding Box를 입력한 Point Cloud 및 PointNet에서 얻은 특징량에 따라 수정 *2D의 RCNN과 다른 점은 물체가 속한 것으로 추정되는 Point와 입력된 Point Cloud를 사용한 제2스테이지 수... Lidarpointnet++3DObjectDetectionPointCloudObjectDetection [3D OD LiDAR 편] VoteNet: 물체 중심점에서 추정되는 3D Object Detection Point Cloud에서 물체 중심의 Offset을 추정하여 Votes(물체 중심점에 가까운 점)를 얻는다.Votes는 Cluster에 의해 임의의 수량에 이르고 Cluster의 Point 특징에 따라 3D Bounding Box의 방법을 추정합니다. Point Net++에 N점(x, y,z)을 입력하여 M점(x, y,z,+c)의 특징량을 추측합니다 M 포인트 선택은 voting 작업입니다.... Lidar3DObjectDetectionPointCloudVoteNetObjectDetection [3D OD LiDAR 편] Point Pillars: Voxel에서 Pillar까지의 시대?! 이전 과 달리 공간은 Voxel로 포착된 것이 아니라 Pillar로 포착된 것이다! 그것에 따라 대폭 고속화되었다. 다음과 같은 9개의 특징으로 구성되어 있다 점의 위치 및 반사 강도 Xc, yc, zc=>pillar 내 Point의 평균값과 거리 pillar의 중심 위치의offset 이로써 tensor size는 size(D, P, N)가 됩니다. DxPxN = 단점이 가지고 있는 비트 (... Lidar3DObjectDetectionPointCloudPointPillarObjectDetection
【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는? PointPillar의 최초의 특징량 추출을 VFE를 사용해 한층 더 멀티 Voxel에 update한 모델. Voxel이라고 써 있지만 Pillar에서 PointCloud를 구분하고 있는 것은 아닐까 생각한다(자세한 내용이 쓰지 않았기 때문에 추측) voxelize한 점을 에서 제안된 VFE를 사용해 Voxel 마다의 특징을 꺼낸다. Voxelization은 3 종류의 해상도로 실시한다. V... PointCloudLidarDeepLearningVoxel3DObjectDetection 【3D OD LiDAR】PIXOR : BEV에서 3D Object Detection 2D Grid로 구분하고 (H/dH+3) Channel H/dH는 dH 간격으로 높이 방향으로 구분 된 영역에 점이 존재하는지 (occupancy) 3은 높이를 3개로 구분한 영역의 intensity* * 아마. 단지 2D의 Object Detection을 BEV로 할 뿐. Local과 Global의 정보 얻기 위해서, FPN(Feature Pyramid Network)을 사용하면 좋은 것 ... PointCloudLidarDeepLearningBEV3DObjectDetection [3D OD LiDAR 편] Point RCNN: Anchor가 없는 2-stage 3D Object Detection 2D Object Detection의 RCNN을 패러디한 구조입니다. Point Net을 사용하여 대략적인 위치 추정 2nd stage=>1st stage를 통해 얻은 Bounding Box를 입력한 Point Cloud 및 PointNet에서 얻은 특징량에 따라 수정 *2D의 RCNN과 다른 점은 물체가 속한 것으로 추정되는 Point와 입력된 Point Cloud를 사용한 제2스테이지 수... Lidarpointnet++3DObjectDetectionPointCloudObjectDetection [3D OD LiDAR 편] VoteNet: 물체 중심점에서 추정되는 3D Object Detection Point Cloud에서 물체 중심의 Offset을 추정하여 Votes(물체 중심점에 가까운 점)를 얻는다.Votes는 Cluster에 의해 임의의 수량에 이르고 Cluster의 Point 특징에 따라 3D Bounding Box의 방법을 추정합니다. Point Net++에 N점(x, y,z)을 입력하여 M점(x, y,z,+c)의 특징량을 추측합니다 M 포인트 선택은 voting 작업입니다.... Lidar3DObjectDetectionPointCloudVoteNetObjectDetection [3D OD LiDAR 편] Point Pillars: Voxel에서 Pillar까지의 시대?! 이전 과 달리 공간은 Voxel로 포착된 것이 아니라 Pillar로 포착된 것이다! 그것에 따라 대폭 고속화되었다. 다음과 같은 9개의 특징으로 구성되어 있다 점의 위치 및 반사 강도 Xc, yc, zc=>pillar 내 Point의 평균값과 거리 pillar의 중심 위치의offset 이로써 tensor size는 size(D, P, N)가 됩니다. DxPxN = 단점이 가지고 있는 비트 (... Lidar3DObjectDetectionPointCloudPointPillarObjectDetection