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 vi
《PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud》CVPR2019 前言 PointRCNN方法示意 PointRCNN是CVPR2019中3D目标检测的文章。该文章使用two-stage方式，利用PointNet++作为主干网络，先完成segmentation任务，判断每个三维点的label。对分为前景的
PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud CVPR 2019 Abstract 在本文中，我们提出了PointRCNN用于从原始点云进行3D目标检测。 整个框架由两个阶段组成：第1阶段用于自底向上的生成3D proposal，第2阶段用于在canonical coordinates中refining p
pointRCNN: 整体思路:https://zhuanlan.zhihu.com/p/71564244 原理:https://blog.csdn.net/taifengzikai/article/details/96840993 https://zhuanlan.zhihu.com/p/97716398 原理涉及知识： 图像中的掩模mask是什么: https://blog.csdn.net/bitcarmanlee/article/details/79132017
input -> rpn -> rpn_cls，rpn_reg, backbone_xyz, backbone_features rpn_cls, rpn_reg, backbone_xyz -> proposal_layer -> rois, roi_scores rpn_score_norm = sigmoid(rpn_cls) seg_mask = rpn_score_norm > score_thresh pts_depth = norm2(backbone_xyz.
由于pointRCNN源码的训练和inference很详细，但是没有可视化的代码，本文介绍其3d框结果的可视化方法 1. 跑通pointRCNN https://github.com/sshaoshuai/PointRCNN pointRCNN的运行本文就不赘述了。 我是下载的作者训练好的模型，跑了一遍inference，因为生成的检测结果在下面可视化
