当前位置：首页 > news >正文

3D检测：从pointnet，voxelnet，pointpillar到centerpoint

news 文章来源：https://blog.csdn.net/weixin_50161877/article/details/137194467 2024/11/15 22:22:52

记录centerpoint学习笔记。目前被引用1275次，非常高。

地址：Center-Based 3D Object Detection and Tracking (thecvf.com)

GitHub - tianweiy/CenterPoint

CenterPoint：三维点云目标检测算法梳理及最新进展（CVPR2021）_哔哩哔哩_bilibili 作者解释。

CenterPoint 是一种用于激光点云的3D目标检测与跟踪算法框架，由2021年CVPR论文《Center-based 3D Object Detection and Tracking》提出。与以往算法不同，CenterPoint使用关键点而不是边界框来表示、检测和跟踪3D目标。

具体来说，CenterPoint算法分为两个阶段：

第一阶段：使用关键点检测器检测目标的中心点，然后基于中心点特征回归出目标的3D尺寸、朝向和速度等属性。
第二阶段：基于目标额外的点特征，对第一阶段得到的属性进行优化。

CenterPoint算法的优点包括简单高效，在nuScenes和Waymo数据集上都取得了state-of-the-art的性能表现。此外，目标跟踪被简化为一个简单的最近点匹配过程。

2D目标检测：

2D目标检测需要输出每个对象的类别（如人、车、猫等）以及一个包围框（bounding box），该包围框在图像中精确地定位了对象的位置。常见算法有基于区域提议（region proposal）的两阶段检测算法（如Faster R-CNN）和基于单阶段检测（one-stage detection）的算法（如YOLO、RetinaNet）

anchor

anchor（锚点）通常是指在目标检测任务中使用的一系列预定义的边界框（bounding boxes）。这些锚点具有不同的尺寸和宽高比，以覆盖图像中可能出现的各种形状和大小的目标。

锚点机制的工作流程如下：

在训练阶段，网络首先生成一系列锚点，这些锚点覆盖了图像中可能出现的各种形状和大小的目标。
然后，网络预测每个锚点内部是否包含一个目标，如果是，则进一步预测目标的类别和锚点需要调整的偏移量，以更好地匹配目标的真实边界框。
在推理阶段，网络使用这些锚点作为初始猜测，快速检测图像中的目标

缺点：不是end2end，需要nms后处理。

NMS

NMS（Non-Maximum Suppression，非极大值抑制）是一种在目标检测任务中常用的后处理步骤，用于去除冗余的检测边界框，确保每个目标只被检测一次。

NMS的主要步骤如下：

排序：首先，根据检测边界框的置信度（通常由检测算法给出）对所有边界框进行降序排序。
选择最高置信度的边界框：选择置信度最高的边界框作为当前考虑的边界框。
抑制与当前边界框高度重叠的边界框：计算当前边界框与其他所有边界框的交并比（IoU，Intersection over Union），如果IoU超过某个预定义的阈值（例如0.5），则将这些边界框抑制（即移除或忽略）。
重复步骤2和3：从剩余的边界框中选择置信度最高的边界框，重复步骤3，直到所有的边界框都被处理过。
输出最终检测结果：最后，剩下的边界框就是NMS处理后的检测结果，每个目标只被检测一次。

NMS在目标检测算法中起着关键作用，可以显著减少冗余的检测结果，提高检测的准确性和效率。然而，NMS也有一些局限性，例如可能会抑制一些具有高置信度但与当前边界框重叠的边界框，这可能导致一些真正的目标被遗漏。为了解决这个问题，研究者们提出了改进的NMS算法，如Soft-NMS、Softer-NMS等，它们通过更柔和的抑制策略来减少误抑制。

3D目标检测：

3D目标检测是计算机视觉领域的一项重要任务，其目标是在三维空间中检测和定位图像中的各种对象。与2D目标检测相比，3D目标检测不仅需要输出每个对象的类别和位置，还需要输出其在三维空间中的尺寸、方向和姿态等信息。

为了实现3D目标检测，研究者们提出了多种算法，包括基于深度学习的端到端检测算法和基于几何学的算法。近年来，基于深度学习的3D目标检测算法取得了显著的进展，特别是基于点云（如PointNet、PointNet++）和基于体素（如VoxelNet）的方法。

2D的预测：xy，wh（宽高）,cls类别

3D的预测：xyz，lwh(长宽高)，θ朝向角度，cls类别

pointnet

PointNet是一种用于点云处理的深度学习模型，由2017年CVPR论文《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》提出。该模型的主要思想是将点云数据作为输入，通过神经网络对其进行处理，以实现对点云数据的深度学习分析。

PointNet的关键创新点包括：

对称函数（Set Abstraction）：为了处理点云的无序性，PointNet引入了对称函数，也称为集合函数。该操作将无序的点集表示为固定长度的向量。在PointNet中，集合函数的实现形式是基于最大池化（max）。
T-Net：为了获得点云的几何变换不变性，PointNet通过学习几何变换的参数，对点云数据进行对齐和变换。T-Net通过生成变换矩阵对原始点云数据进行变换，以更好地进行特征学习和提取。
多层感知器（MLP）：PointNet使用多层感知器（MLP）对点云进行特征提取和分类/分割。

PointNet的主要应用包括：

3D物体分类：给定N个3D的点云，通过PointNet进行分类。
3D物体分割：对点云进行语义分割或实例分割。

PointNet的优势在于其简单高效的设计，能够直接处理点云数据，而无需将其转换为其他表示形式（如体素或网格）。这使得PointNet在基于点云的3D物体检测和分割任务中取得了当时最先进的性能。

voxelnet

VoxelNet是一种用于基于点云的3D物体检测的端到端学习框架，由2018年CVPR论文《VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection》提出。该框架的主要思想是将稀疏的点云数据转换成密集的体素表示，然后使用3D卷积网络进行特征提取和物体检测。

VoxelNet框架主要包括以下步骤：

点云预处理：将稀疏的点云数据转换成规则的体素网格表示。这一步通过将点云划分成规则的体素，并对每个体素内的点进行统计（如最大值、最小值、平均值等）来实现。
体素特征提取：使用3D卷积网络从体素网格中提取特征。这些特征能够描述体素内的点云分布和结构信息。
区域提议网络（RPN）：基于提取的体素特征，使用RPN生成候选物体的3D边界框提议。RPN是一个全卷积网络，能够输出一系列3D边界框提议以及每个提议的置信度。
边界框回归和分类：对RPN生成的边界框提议进行回归和分类，以获得最终的物体检测结果。这一步通常使用3D卷积网络实现。

pointpillar

PointPillar是一种用于基于激光雷达（LiDAR）点云的3D物体检测的算法，由2019年CVPR论文《PointPillars: Fast Encoders for Object Detection from Point Clouds》提出。该算法的主要思想是将稀疏的点云数据转换成伪图像表示（每一个pixel不仅有原始的2D信息还包括了高度信息），然后使用2D卷积网络进行特征提取和物体检测。voxelnet很慢也很占内存。

PointPillar框架主要包括以下步骤：

点云预处理：将稀疏的点云数据转换成规则的伪图像表示。这一步通过将点云划分成规则的柱体（pillars），并对每个柱体内的点进行统计（如最大值、最小值、平均值等）来实现。
伪图像特征提取：使用2D卷积网络从伪图像中提取特征。这些特征能够描述每个柱体内的点云分布和结构信息。
区域提议网络（RPN）：基于提取的伪图像特征，使用RPN生成候选物体的3D边界框提议。RPN是一个全卷积网络，能够输出一系列3D边界框提议以及每个提议的置信度。
边界框回归和分类：对RPN生成的边界框提议进行回归和分类，以获得最终的物体检测结果。这一步通常使用3D卷积网络实现。

PointPillar的创新之处在于其高效的计算方式，能够将稀疏的点云数据转换为密集的伪图像表示，从而利用成熟的2D卷积网络进行特征提取。这使得PointPillar在基于激光雷达的3D物体检测任务中取得了当时最先进的性能。