点云 3D 目标检测 - PointPillars1. 文章信息2. PointPillars 简介2.1 算法特点2.2 模型结构2.2.1 Pillar Feature Net2.2.2 Backbone (2D CNN)2.2.3 Detection Head (SSD)1. 文章信息文章标题PointPillars: Fast Encoders for Object Detection f

地平线 AI 芯片工具链 - 02 快速开始1. 前提条件2. 转换模型2.1 检验模型2.2 准备校准数据集1. 前提条件地平线 AI 芯片工具链 - 01 配置安装2. 转换模型此处以docker 版本工具链…/horizon_x3_tc_1.1.6/samples/04_detection/01_yolov2为样例来说明2.1 检验模型执行 sh 01_check.sh 检验模型hjw@hj

Waymo Open Dataset 数据集

地平线 AI 芯片工具链 - 03 自定义模型转换1. 前提条件2. 文件目录3. 模型可视化4. 模型校验5. 模型编译1. 前提条件地平线 AI 芯片工具链 - 01 配置安装待转换模型（onnx 模型，其他类型可转为 onnx 模型）2. 文件目录在 docker 挂载目录下新建 08_hjw_demo 目录（具体位置可以自定义），并准备好相关脚本和模型3. 模型可视化样例模型 hjw_de

典型的应用场景—语音助手。计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。数学是人工智能（AI）领域非常重要的基本技能，机器学习的过程相当于求解数学问题的过程。人工智能（AI）时代，人人都需要了解一些人工智能的基础知识，这些基础的知识可以帮助我们理解

精确检测3D点云中的物体是许多应用中的中心问题，例如自主导航、家政机器人和增强/虚拟现实。为了将高度稀疏的LiDAR点云与区域提案网络（RPN）连接起来，大多数现有工作都集中在手工制作的特征表示上，例如鸟瞰投影。在这项工作中，我们消除了对3D点云的手动特征工程的需求，并提出了VoxelNet，这是一种通用的3D检测网络，它将特征提取和边界框预测统一到单个阶段、端到端可训练的深度网络中。

今天，视觉识别系统仍然很少用于机器人应用。可能这其中的一个主要原因是缺乏模拟此类场景的苛刻基准。在本文中，我们利用我们的自动驾驶平台为立体、光流、视觉里程计/SLAM和3D目标检测任务开发了具有挑战性的新基准。我们的记录平台配备了四台高分辨率摄像机、Velodyne激光扫描仪和最先进的定位系统。我们的基准包括389个立体和光流图像对、39.2km长的立体视觉里程测量序列，以及在杂乱场景中捕获的超过

点云 3D 目标检测开源算法集合1. 点云 3D 目标检测开源算法集合1. 点云 3D 目标检测开源算法集合OpenPCDetDet3DMMDetection3D

基于LiDAR或RGB-D的目标检测被用于从自动驾驶到机器人视觉的许多应用中。基于体素的3D卷积网络已被用于在处理点云LiDAR数据时增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进的稀疏卷积方法，该方法显著提高了训练和推理的速度。我们还引入了一种新的角度损失回归形式来提高方向估计性能，并引入了一个新的数据增强方法来提高收敛速度和性能。所提

  目标的鲁棒检测和跟踪对于自动驾驶汽车技术的部署至关重要。基于图像的基准数据集推动了计算机视觉任务的发展，如环境中的目标检测、跟踪和分割。然而，大多数自动驾驶汽车都搭载了相机和距离传感器，如激光雷达和雷达。随着基于机器学习的检测和跟踪方法变得越来越普遍，需要在包含距离传感器数据和图像的数据集上训练和评估这些方法。在这项工作中，我们展示了nuTonomy场景（nuScenes），这是第一个搭载全自