摘要：
深度图 Range View 假设64线激光雷达，水平分辨率是0.2°，那么扫描一圈，垂直方向有64个点，水平方向有360/0.2=1800个点，展开成分辨率为(64, 1800)的图像，图像的像素值是相应角度下的反射点的特性（距离、反射强度等）。 阅读全文
摘要：
算法思想 融合相同点云的不同视角：（1）BEV；（2）Perspective View | 视角 |坐标系 |优点 | 缺点 | | | | | | | BEV | 笛卡尔坐标系 |形状不随距离改变 | 长距离时非常稀疏 | | Perspective | 球坐标系|形状随距离改变、物体在点云场景下 阅读全文
摘要：
深度学习中会使用到的各种卷积：深度可分离卷积、稀疏卷积、3D卷积 阅读全文
摘要：
目标检测方法通过卷积神经网络密集的预测出了许多框之后，训练时需要把预测框划分为正样本和负样本，正样本需要有与之对应的GT。 阅读全文
摘要： 
网络流程 Voxel Partition 3D点云在Z, Y, X的范围 \((D, H, W)\) voxel大小 \((v_D, v_H, v_W)\) 3D voxel grid的大小(个数) \((D'=D/v_D, H'=H/v_H, W'=W/v_W)\) Grouping 将点云划分给 阅读全文
网络流程 Voxel Partition 3D点云在Z, Y, X的范围 \((D, H, W)\) voxel大小 \((v_D, v_H, v_W)\) 3D voxel grid的大小(个数) \((D'=D/v_D, H'=H/v_H, W'=W/v_W)\) Grouping 将点云划分给 阅读全文
摘要：
点云数据 点云数据具有如下特性： 无序性 点云数据是一个集合，对数据的顺序是不敏感的。这就意味这处理点云数据的模型需要对数据的不同排列保持不变性。 不变性 点云数据所代表的目标对某些空间转换应该具有不变性，如旋转和平移。 PointNet 网络结构 其中的两个旋转矩阵是通过神经网络输出[3 x 3] 阅读全文
摘要：
3D目标检测 坐标系变换 双目距离估计 Kitti数据集 PointPillar，VoxelNet系列算法 阅读全文
摘要：
DDP--Pytorch 参考：知乎 给parser增加local_rank参数，该参数会自动识别该进程是当前机器的第几个进程 parser = argparse.ArgumentParser() parser.add_argument("--local_rank", default=-1, typ 阅读全文
摘要：
背景知识 marking line 停车位包括分隔线和进入线，垂直停车位和水平停车位的marking line的长度关系是不一样的。 Directional Marking-Point Marking-Point：entrance-lines和separating-lines的相交处： 朝向： T- 阅读全文
摘要：
字符串处理 split() 将一个字符串划分成list，划分依据是传入的参数，不传入则默认为空格 txt = "hello my name is Peter" x = txt.split() print(x) >>> ['hello', 'my', 'name', 'is', 'Peter'] x 阅读全文