如何PointPillars点云检测网络的分析，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
PointPillars是在VoxelNet和SECOND的基础上进行改进，得到的点云目标检测网络。该网络目前在KITTI上3D汽车检测项目中排名第18。只用了点云数据，运行时间为16 ms，实时性很好，已被CVPR2019收录，是一个非常有前景，值得关注的成果。
为了很好的理解PointPillars，我们需要对VoxelNet和SECOND进行简单介绍。
一、VoxelNet
VoxelNet发布于2017年，不同于MV3D和AVOD将点云投影成鸟瞰图的处理方式，VoxelNet将点云表达成Voxel（体素）形式，这是一种规则化的三维空间结构，
然后用简化版的pointnet（即VFE）网络对每个Voxel中的点云进行特征提取，这样就在三维Voxel结构上增加了特征信息，所以每个点云文件都成为一个四维张量的“特征图”。这种特征图是没办法用常规的图片领域的（长、宽、通道）三维卷积核进行处理的，所以作者使用的是四维的卷积核（长、宽、高、通道）来进行处理，并构造了RPN网络用来做目标检测。
稀疏卷积层的引入，大大提高了运算速度。目前官方代码已经开源。SECONDv1.5在KITTI榜单取得了不错的效果。值得一提的是，PointPillars目前发布出来的代码也是在SECOND代码的基础上进行改进得到的。因此SECOND的代码很值得读者研究。https://github.com/traveller59/second.pytorch
三、PointPillars
到了pointpillars，相信不少读者会和我产生一样的想法，这个网络其实就是对SECOND做了简化，直接把点云表示成一个一个的“Pillar（柱子）”。
然后用VFE分别提特征，这样直接得到的就是鸟瞰图，也就是作者文中所提的“伪图像”。中间省略了SECOND中的稀疏卷积操作。
看完上述内容，你们掌握如何PointPillars点云检测网络的分析的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
