如何PointPillars點云檢測網絡的分析

如何PointPillars點云檢測網絡的分析，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

PointPillars是在VoxelNet和SECOND的基礎上進行改進，得到的點云目標檢測網絡。該網絡目前在KITTI上3D汽車檢測項目中排名第18。只用了點云數據，運行時間為16 ms，實時性很好，已被CVPR2019收錄，是一個非常有前景，值得關注的成果。

為了很好的理解PointPillars，我們需要對VoxelNet和SECOND進行簡單介紹。

一、VoxelNet

VoxelNet發布于2017年，不同于MV3D和AVOD將點云投影成鳥瞰圖的處理方式，VoxelNet將點云表達成Voxel（體素）形式，這是一種規則化的三維空間結構，

然后用簡化版的pointnet（即VFE）網絡對每個Voxel中的點云進行特征提取，這樣就在三維Voxel結構上增加了特征信息，所以每個點云文件都成為一個四維張量的“特征圖”。這種特征圖是沒辦法用常規的圖片領域的（長、寬、通道）三維卷積核進行處理的，所以作者使用的是四維的卷積核（長、寬、高、通道）來進行處理，并構造了RPN網絡用來做目標檢測。

稀疏卷積層的引入，大大提高了運算速度。目前官方代碼已經開源。SECONDv1.5在KITTI榜單取得了不錯的效果。值得一提的是，PointPillars目前發布出來的代碼也是在SECOND代碼的基礎上進行改進得到的。因此SECOND的代碼很值得讀者研究。https://github.com/traveller59/second.pytorch

 三、PointPillars

到了pointpillars，相信不少讀者會和我產生一樣的想法，這個網絡其實就是對SECOND做了簡化，直接把點云表示成一個一個的“Pillar（柱子）”。

然后用VFE分別提特征，這樣直接得到的就是鳥瞰圖，也就是作者文中所提的“偽圖像”。中間省略了SECOND中的稀疏卷積操作。

看完上述內容，你們掌握如何PointPillars點云檢測網絡的分析的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！