· 2019
PointRCNN: Nokta Bulutundan 3D Nesne Teklif Üretimi ve Tespiti
PointRCNN: 3D Object Proposal Generation and Detection From Point Cloud
- 2.977atıf
- 2019yıl
Kısa özet
PointRCNN, ham nokta bulutlarından doğrudan 3D nesne teklifleri üreten, RGB görüntüler veya ara temsiller (kuşbakışı veya voksel gibi) ihtiyacını ortadan kaldıran yeni bir iki aşamalı çerçeve sunar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- RGB görüntüleri veya ara temsilleri kullanan önceki yöntemlerin aksine, doğrudan ham nokta bulutlarından 3D nesne teklifleri üretir.
- İki aşamalı bir çerçeve: ön plan segmentasyonu yoluyla alttan üste teklif üretimi ve ardından teklif iyileştirmesi.
- Aşama-2, kanonik koordinatlar kullanarak teklifleri iyileştirir ve Aşama-1'den öğrenilen yerel uzamsal özellikleri küresel anlamsal özelliklerle birleştirir.
- Yalnızca nokta bulutu girdisi kullanarak KITTI 3D tespit veri kümesinde en gelişmiş yöntemlerden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
In this paper, we propose PointRCNN for 3D object detection from raw point cloud. The whole framework is composed of two stages: stage-1 for the bottom-up 3D proposal generation and stage-2 for refining proposals in the canonical coordinates to obtain the final detection results. Instead of generating proposals from RGB image or projecting point cloud to bird's view or voxels as previous methods do, our stage-1 sub-network directly generates a small number of high-quality 3D proposals from point cloud in a bottom-up manner via segmenting the point cloud of the whole scene into foreground points and background. The stage-2 sub-network transforms the pooled points of each proposal to canonical coordinates to learn better local spatial features, which is combined with global semantic features of each point learned in stage-1 for accurate box refinement and confidence prediction. Extensive experiments on the 3D detection benchmark of KITTI dataset show that our proposed architecture outperforms state-of-the-art methods with remarkable margins by using only point cloud as input. The code is available at https://github.com/sshaoshuai/PointRCNN.
Yazarların özeti; kaynağından alınmıştır., 2019 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Mekanik
Computational MechanicsEngineering