VoxelNet PyTorch
使用所述的VoxelNet架构,使用激光雷达预测KITTI对象。 这将被扩展以预测茂密的森林点云(如树干)中的对象。
目录
变身
为了从原始点云中完全提取边界框预测,我们必须执行许多转换。
点云转换
首先,我们作为原始(X,3)数组,其中X是点数。
接下来,我们: (X, 3) ⇾ (A, B, 7)
在哪里A是体素的数量, 请参阅2.1.1:功能学习网络:体素分区B是每个体素的最大点数(如果有超过B个点,则随机采样要保留的B点), 请参阅2.1.1:功能学习网络:随机抽样7编码[x, y, z, r, xv x , yv y , zv z ] ,其中v是体素中点的质心, r是反射率。 请参阅2.1.1:功能学习网络:堆叠的Voxel功能编码从这个体素化中,我们还得到另一个数组: (X, 3) ⇾ (N, 3)
在哪里N是非空体素的数量, 4编码[