随笔分类 - 深度学习
摘要：PDF: 《Center-based 3D Object Detection and Tracking》 Code: https://github.com/tianweiy/CenterPoint 一、大体内容 anchor-based的3D目标检测算法都需要基于预定义的anchor去回归目标的位置
阅读全文
摘要：PDF: 《SE-SSD: Self-Ensembling Single-Stage Object Detector From Point Cloud》 Code: https://github.com/Vegeta2020/SE-SSD 一、大体内容 由于距离的远近和遮挡问题，同一个Hard样本的
阅读全文
摘要：PDF: Pyramid R-CNN: Towards Better Performance and Adaptability for 3D Object Detection CODE: https://github.com/PointsCoder/Pyramid-RCNN 一、大体内容 Pyram
阅读全文
摘要：PDF: RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection CODE: https://github.com/TuSimple/RangeDet 一、大体内容 RangeDet是一个Anchor-free的单
阅读全文
摘要：PDF: Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection CODE: https://github.com/djiajunustc/Voxel-R-CNN 一、大体内容 现有基于Point-based的目标检
阅读全文
摘要：PDF: 《From Points to Parts: 3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network》 CODE: https://github.com/sshaoshuai/Par
阅读全文
摘要：PDF：https://arxiv.org/pdf/1912.13192.pdf CODE: https://github.com/sshaoshuai/PV-RCNN 一、大体内容 前面介绍了基于Point的3D目标检测网络（PointRCNN、3DSSD）以及基于voxel的3D目标检测网络（V
阅读全文
摘要：PDF: https://arxiv.org/abs/2002.10187 CODE: https://github.com/dvlab-research/3DSSD 一、大体内容 3DSSD是基于点的单阶段3D目标检测器，其提出的动机主要是基于体素的方法（如VoxelNet、PointPillar
阅读全文
摘要：PDF: https://arxiv.org/pdf/1812.04244.pdf CODE: https://github.com/sshaoshuai/PointRCNN?tab=readme-ov-file 一、大体内容 PointRCNN和前面提到的VoxelNet、SECOND、Point
阅读全文
摘要：https://www.cnblogs.com/xiaxuexiaoab/p/17970121 前面的文章介绍了点云目标检测的几篇综述文献，这一篇参考第二篇综述介绍一些经典的网络，主要包含其大体内容、贡献点和一些细节，后续还会慢慢补充。 One Stage 一、VoxelNet PDF:https:
阅读全文
摘要：MeshCNN是2019年提出的直接在3D Mesh上进行分类和分割的网络，MeshCNN在3D网格上定义了定义了卷积和池化层，依据三维模型边的连通关系进行研究。最终能够在来自SHREC 11数据集的30个类上达到98.6%的精度，并且在部件和人体数据集上有很好的分割性能。 论文主页：https:/
阅读全文
摘要：PointNet++ 地址：http://stanford.edu/~rqi/pointnet2/ 1.两者主要不同点 考虑到PointNet特征提取时只考虑单点，不能很好的表示局部结构 ==> PointNet++引入了sampling & grouping，考虑局部领域特征 PointNet中g
阅读全文
摘要：常见的3D数据表示方式有点云、多视图、体素、mesh网格等。 PointNet是直接处理点云数据的网络，可以实现对点云的分类和分割，其首页地址为：http://stanford.edu/~rqi/pointnet/。 主要从解决点云的无序性和保证旋转一致性两个方向出发，提出了以点云作为输入的分类网络
阅读全文
摘要：前面介绍了单目标关键点检测网络 Stacked Hourglass Networks，如下图所示，一次只能检测出一个目标的关键点信息，但实际情况下一个场景出现多个目标的概率更大，所以原作者在Stacked Hourglass Networks的基础上提出了Associative Embedding，
阅读全文
摘要：Stacked Hourglass Networks是2016年提出的一种用于单人人体姿态估计的网络，并取得了很好的效果。这里我们从网络结构以及一些实现细节简单分析下这个网络。 paper: https://arxiv.org/pdf/1603.06937.pdf code: https://git
阅读全文
摘要：前面介绍了分类、目标检测、分割以及一些常见模型和实现，这一篇接着介绍关键点检测的相关深度学习方法。已经有一些文章记录了关键点在不同领域的应用，比如：人脸关键点检测综述 和 人体骨骼关键点检测综述，其比较详细介绍了人脸检测和骨骼点检测方面的一些论文，其他还有手势识别、服饰关键点检测等应用，这些大都是按
阅读全文
摘要：yolact是第一个在COCO 数据集上做到实时的实例分割模型（大于30FPS），其将问题划分成两个平行的分支，一个分支由特征金字塔的P3层，经过Protonet预测mask，另一个分支通过P3-P7特征层预测类别、包围框以及mask的系数coefficient。另外还提出了比NMS更快的方法Fas
阅读全文
摘要：2D物体分割 在https://www.cnblogs.com/xiaxuexiaoab/p/17403325.html中提到过，2D物体分割大体可以分为语义分割、实例分割和全景分割，这里对其基本概念进行介绍，并参照一篇综述，按照分割采用的方法不同分为十类。 一、基本概念 语义分割、实例分割和全景分
阅读全文
摘要：一、网络介绍 YoloX由旷视科技开源，以YoloV3(Darknet53作为backbone)作为基线，最大的区别在于 Decoupled Head，Data Aug，Anchor Free 和样本匹配（SimOTA）这几个方面，另外还提供了完善的代码，并很贴心的提供了部署脚本，真的很友好了。 P
阅读全文
