【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는?
Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds

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)
알고리즘
voxel feature extraction

voxelize한 점을 VoxelNet 에서 제안된 VFE를 사용해 Voxel 마다의 특징을 꺼낸다.
Voxelization은 3 종류의 해상도로 실시한다.
Multi-scale feature aggregation

Voxel 마다의 특징으로부터, 이웃씨의 특징을 얻기 위해서, conv2d를 stride2와 stride1을 하고 있을 뿐.
* conv2d가 여기에서 사용되고 있기 때문에 Voxelization은 Pillar를 사용하고 있지 않을까 추측
RPN-FPN
Resion Proposal Network에 FPN(Feature Pyramid Network)을 사용하고 있다.
결과

거의 정밀도 변하지 않네요~
voxel을 여러 해상도로 해도 그다지 의미 없다는 것이 증명되었다는 것일까?!
속도도 상당히 느려지고 PointPillar가 실용성이 좋다.

PointPillar보다 정밀도가 좋다고 말하고 싶다.
잘 보면 PointPillar를 능가하는 moderate로 비교하고 있다. . .
결론
· 무엇을 비교해 무엇을 주장하고 싶은지 조금 알기 어려운 논문이었다.
참고문헌
Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds
htps : // 아 rぃ v. rg / pdf / 1907. 05286. pdf
Reference
이 문제에 관하여(【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는?), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/545bb7d1d030a9992f8e
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
voxel feature extraction

voxelize한 점을 VoxelNet 에서 제안된 VFE를 사용해 Voxel 마다의 특징을 꺼낸다.
Voxelization은 3 종류의 해상도로 실시한다.
Multi-scale feature aggregation

Voxel 마다의 특징으로부터, 이웃씨의 특징을 얻기 위해서, conv2d를 stride2와 stride1을 하고 있을 뿐.
* conv2d가 여기에서 사용되고 있기 때문에 Voxelization은 Pillar를 사용하고 있지 않을까 추측
RPN-FPN
Resion Proposal Network에 FPN(Feature Pyramid Network)을 사용하고 있다.
결과

거의 정밀도 변하지 않네요~
voxel을 여러 해상도로 해도 그다지 의미 없다는 것이 증명되었다는 것일까?!
속도도 상당히 느려지고 PointPillar가 실용성이 좋다.

PointPillar보다 정밀도가 좋다고 말하고 싶다.
잘 보면 PointPillar를 능가하는 moderate로 비교하고 있다. . .
결론
· 무엇을 비교해 무엇을 주장하고 싶은지 조금 알기 어려운 논문이었다.
참고문헌
Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds
htps : // 아 rぃ v. rg / pdf / 1907. 05286. pdf
Reference
이 문제에 관하여(【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는?), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/545bb7d1d030a9992f8e
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
· 무엇을 비교해 무엇을 주장하고 싶은지 조금 알기 어려운 논문이었다.
참고문헌
Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds
htps : // 아 rぃ v. rg / pdf / 1907. 05286. pdf
Reference
이 문제에 관하여(【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는?), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/minh33/items/545bb7d1d030a9992f8e
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
Reference
이 문제에 관하여(【3D OD LiDAR편】 Voxel-FPN : Multi sacel에서 Voxelization한 결과는?), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/minh33/items/545bb7d1d030a9992f8e텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)