如何PointPillars点云检测网络的分析

如何PointPillars点云检测网络的分析，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

网站建设哪家好，找成都创新互联！专注于网页设计、网站建设、微信开发、微信平台小程序开发、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了福安免费建站欢迎大家使用！

PointPillars是在VoxelNet和SECOND的基础上进行改进，得到的点云目标检测网络。该网络目前在KITTI上3D汽车检测项目中排名第18。只用了点云数据，运行时间为16 ms，实时性很好，已被CVPR2019收录，是一个非常有前景，值得关注的成果。

为了很好的理解PointPillars，我们需要对VoxelNet和SECOND进行简单介绍。

一、VoxelNet

VoxelNet发布于2017年，不同于MV3D和AVOD将点云投影成鸟瞰图的处理方式，VoxelNet将点云表达成Voxel（体素）形式，这是一种规则化的三维空间结构，

然后用简化版的pointnet（即VFE）网络对每个Voxel中的点云进行特征提取，这样就在三维Voxel结构上增加了特征信息，所以每个点云文件都成为一个四维张量的“特征图”。这种特征图是没办法用常规的图片领域的（长、宽、通道）三维卷积核进行处理的，所以作者使用的是四维的卷积核（长、宽、高、通道）来进行处理，并构造了RPN网络用来做目标检测。

稀疏卷积层的引入，大大提高了运算速度。目前官方代码已经开源。SECONDv1.5在KITTI榜单取得了不错的效果。值得一提的是，PointPillars目前发布出来的代码也是在SECOND代码的基础上进行改进得到的。因此SECOND的代码很值得读者研究。https://github.com/traveller59/second.pytorch

 三、PointPillars

到了pointpillars，相信不少读者会和我产生一样的想法，这个网络其实就是对SECOND做了简化，直接把点云表示成一个一个的“Pillar（柱子）”。

然后用VFE分别提特征，这样直接得到的就是鸟瞰图，也就是作者文中所提的“伪图像”。中间省略了SECOND中的稀疏卷积操作。

看完上述内容，你们掌握如何PointPillars点云检测网络的分析的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注创新互联行业资讯频道，感谢各位的阅读！