当前位置：首页 > news >正文

茶叶怎么做网站销售/黑帽seo培训大神

news 文章来源：https://blog.csdn.net/highoooo/article/details/129426304 2025/3/17 5:02:06

茶叶怎么做网站销售,黑帽seo培训大神,建设网上商城网站,wordpress 文章内容页文章目录激光雷达点云分割1.点云分割主流方案（模型角度）1.1 (a) 基于RGB-D图像1.2 (d) 基于点云1.3 (b) 基于投影图像1.4 (b) 基于投影图像 - SqueezeSeg/RangeNet1.4. 球映射2 点云分割主流方案（部署角度）3 点云分割常用指标4 点…

文章目录

激光雷达点云分割
- 1.点云分割主流方案（模型角度）
- - 1.1 (a) 基于RGB-D图像
  - 1.2 (d) 基于点云
  - 1.3 (b) 基于投影图像
  - 1.4 (b) 基于投影图像 - SqueezeSeg/RangeNet
  - 1.4. 球映射
- 2 点云分割主流方案（部署角度）
- 3 点云分割常用指标
- 4 点云分割主要实现方式/常用trick总结
- 5 点云分割常用数据集
- 6 点云分割主要问题

激光雷达点云分割

1.点云分割主流方案（模型角度）

(a) 基于RGB-D图像，双通道网络分别对RGB图像和深度图像提取特征
(b) 基于投影图像，2D卷积三维场景/形状投影图像的特征，融合这些特征进行标签预测
(©) 基于体素(像素划分网格)，类似于二阶段目标检测操作，寻找proposal体素进行预测
(d) 基于点云，核心是MLP对点云升维在保证平移不变性的情况下保留/提取点云特征，直接对点云预测
(e) 基于mesh(三维网格)……
abd是近年较为主流的方案

在这里插入图片描述

1.1 (a) 基于RGB-D图像

双通道网络分别对RGB图像和深度图像提取特征
在这里插入图片描述

1.2 (d) 基于点云

核心是MLP对点云升维在保证平移不变性的情况下保留/提取点云特征，直接对点云预测
在这里插入图片描述

1.3 (b) 基于投影图像

2D卷积三维场景/形状投影图像的特征，融合这些特征进行标签预测
在这里插入图片描述

1.4 (b) 基于投影图像 - SqueezeSeg/RangeNet

算法流程：
A: 球映射（Spherical projection）
相同

B: 语义分割（Segmentation）
RangeNet可用SqueezeSeg相同backbone
也可用darknet作为backbone

C: 点云重建（Point cloud reconstruction）
相同

D: 点云后处理（Post-processing）
RangeNet通过KNN search 修正结果

1.4. 球映射

球坐标系
映射算法
在这里插入图片描述

2 点云分割主流方案（部署角度）

RangeNet++：推理效率高，部署效率高（TensorRT，已初步走通流程）
SqueezeSeg：推理效率高，无开源部署方案（未测试）
PointNet++：推理效率低，部署效率低（LibTorch/TensorRT，未测试）
*目前只对RangeNet++和PointNet++做了初步测试，还未做各个网络的详细测试，预研阶段性结论

3 点云分割常用指标

在这里插入图片描述

4 点云分割主要实现方式/常用trick总结

在这里插入图片描述

5 点云分割常用数据集

在这里插入图片描述

6 点云分割主要问题

在这里插入图片描述

文章目录

激光雷达点云分割

1.点云分割主流方案（模型角度）

1.1 (a) 基于RGB-D图像

1.2 (d) 基于点云

1.3 (b) 基于投影图像

1.4 (b) 基于投影图像 - SqueezeSeg/RangeNet

1.4. 球映射

2 点云分割主流方案（部署角度）

3 点云分割常用指标

4 点云分割主要实现方式/常用trick总结

5 点云分割常用数据集

6 点云分割主要问题

相关文章：