机械激光雷达检测 厂商电话

1.BEV generatorBEV图由激光雷达点云在XY坐标平面离散化后投影得到，其中需要人为规定离散化时的分辨率，即点云空间多大的长方体范围（Δl*Δw*Δh）对应离散化后的图像的一个像素点（或一组特征向量），如点云20cm*20cm*Δh的长方体空间，对应离散化后的图像的一个像素点。具体关于bev投影生成策略可以关注文章：自动驾驶中，激光雷达点云如何做特征表达[1]。 在bev generator中，需要根据Δl*Δw*Δh来生成L*W*H大小的bev特征图，该特征图是network backbone特征提取网络的输入，因此该特征图的大小对整个网络的效率影响很大，如pointpillar[2]通过对voxelnet[3]中bev generator的优化，整个网络效率提高了7ms。Network backbone网络结构的设计需要兼顾性能和效果，一般都是在现有比较大且性能比较好的网络结构基础上进行修改，可以参照文章：轻量（）目标检测网络结构设计[4]。以voxelnet[3]和pointpillar[2]为例，pointpillar[2]以voxelnet[3]为原型，不改变原流程的基础上，对voxelnet[3]设计做了以下一些修改，使网络效率提高了10多倍，具体如下:简化bev中的网络结构voxelnet[3]使用stacked vfe layer，在代码中使用了2个vfe layer，
1. 特征提取：在proposal中随机筛选N个点，1）获得阶段的点特征；2）获得N个点的坐标，并用如下图5所示的canonical transfor ** tion得到与原坐标系无关的坐标特征。两种特征联合在一起，作为proposal中点的特征表达
2. Voxel表达：将不同大小的proposal，通过voxel统一化到相同大小：dl = 6,dw = 6,dh = 6
3. 使用VFE layer提取终特征

将两组特征联合作为proposal的pooling特征。
Roi aware Point Cloud Pooling Roi grid pooling[6]与上面两种pooling方法不同的是，并没有将proposal通过voxel得到固定大小的特征图，而是根据pv-rcnn[6]中提出的key point信息，将proposal用6*6*6=216个grid points表达，grid points是从proposal中的key points均匀采样获得，且RoI-grid point features提取过程和key point feature提取过程是相似的。简单来说是以grid point为中心，r为半径的区域内提取不同尺度、不同感受野的特征，在使用2层的MLP网络获得终的特征表达，如图7所示。

Roi grid point feature extraction总结：目前基于point-wise feature的目标检测方法还处于研究阶段，效率无法保证，精度还未在真实自动驾驶车上，但由于该方法直接从点云提取特征，大的保留了点云的原始信息，比较有潜力得到更好的效果。参考文献：
1、PointPillars: Fast Encoders for Object Detection from PointClouds
2、VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
3、PIXOR: Real-time 3D Object Detection from Point Clouds
4、Multi-View 3D Object Detection Network for Autonomous Driving5、YOLO3D: End-to-end real-time 3D Oriented Object Bounding Box Detection from LiDAR Point Cloud6、SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud7、PointSeg: Real-Time Se ** ntic Segmentation Based on 3D LiDAR Point Cloud8、LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving

canonical transfor ** tionRoi aware Point Cloud Pooling[5]整体流程如下图6所示，与STD[9]中的pooling方法类似，先将proposal分割成固定大小的voxel，如14×14×14，然后再提取voxel特征表达：
· RoIAwareMaxPool：使用的是阶段输出的point-wise se ** ntic part feature，在voxel中计算 ** x pooling
· RoIAwareAvgPool：使用的是proposal中经过canonical transfor ** tion点坐标特征和segmentation score，在voxel中计算avg pooling
http://vjxmw400.cn.b2b168.com
欢迎来到深圳市中为检验技术有限公司网站， 具体地址是广东省深圳市龙岗区深圳市龙岗区横岗街道横岗社区力嘉路109号1A106，联系人是黄经理。 主要经营咨询相关产品。 单位注册资金单位注册资金人民币 500 - 1000 万元。 我们公司主要提供检测等服务，我们确信，凭借我们的专业服务和良好的协调、沟通能力，使客户在经营生产中顺利进行，协助客户不断成长，在合作中与客户实现共赢。欢迎您致电咨询！