【三维目标检测】Complex-Yolov4详解（二）：模型结构

原创 已于 2023-05-12 09:34:35 修改 · 6.2k 阅读 · 15
标签
#Complex-Yolo #Complex-Yolov4 #三维目标检测 #目标检测 #python
于 2022-06-02 09:30:00 首次发布
本文深入解析Complex-Yolov4三维目标检测模型，介绍了模型数据输入、锚框设计、网络结构以及预训练模型的效果可视化。通过将RGB图像转换为鸟瞰图BEV，该模型在目标检测上与Yolov4有类似之处，但针对三维点云的特性做了调整，如锚框设计考虑了目标的方向信息。

本文为博主原创文章，未经博主允许不得转载。
本文为专栏《python三维点云从基础到深度学习》系列文章，地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。

        Complex-Yolo网络模型的核心思想是用鸟瞰图BEV替换Yolo网络输入的RGB图像。因此，在完成BEV处理之后，模型的训练和推理过程基本和Yolo完全一致。Yolov4中输入的RGB图片的尺寸维度为608x608x3，因此BEV的尺寸维度也为608x608x3，由强度图、高度图和密度图组成。

        Complex-Yolov4的数据处理部分详细介绍请参考：详细理解Complex-Yolo（Complex Yolov4）三维目标检测算法 — 数据处理（一）_Coding的叶子的博客-CSDN博客。Yolov4的详细介绍网上已经有较多资料进

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Complex-YOLOv4-Pytorch:本文基于YOLOv4的PyTorch实现
03-18
复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型 对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签 对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测 对象数据集的左侧彩色图像（12 GB） ：用于可视化预测 请确保您按照以下方式
complex_yolov4_pytorch预训练模型
06-01
complex_yolov4_pytorch预训练模型，详细介绍和使用方式请参考csdn博客：https://blog.csdn.net/suiyingy/article/details/125087396。
端到端的3D点云目标检测：Complex-YOLO（一）———KITTI数据集解析
“知识最大的敌人不是无知，而是错觉”
05-26 7968
博主最近一直都在看3D点云目标检测，且有一个可视化课设要结，还有一个CV课设，太酸爽了。 搜了一些paper，发现3D点云目标检测论文都不带公开源码的，GitHub上找项目配置来配置去总是会报一系列的错误，比如我上一个博客想要把CenterPoint跑起来，结果夭折了，配了半天（且把办公室的电脑重装了n遍系统），最终还是放弃了，毕竟玩不懂nuScenes数据集。 BUT!!! 带YOLO字眼的检测项目简直就是正道的光啊！！而且KITTI数据集明显更容易分析~ 那就开始我们的3D点云检测之旅吧。 文章目录.
知识图谱的几个经典模型：TransE、Trans R、ComplEx、ConvKB
guanjian6334的博客
03-23 8918
:::info 💡 这几个模型都是KG表示的经典模型，关于如何对三元组建模Embedding。以下第一个表格是关于各类建模方法中，关系是否能满足一些特性进行的汇总。 ::: 对称性：例如朋友关系。如果有h(r , t)，一定有h(t , r); 反对称性：例如购买关系与出售关系。如果有h1(r, t) ,一定有h2(t ,r); 【h1和 h2是相反方向的一对向量】 传递性：例如亲属关系，父亲的父亲是爷爷。如果有h1(r , t) 和h2(t, y),一定有h3(r , y) 一对N：例如教学关系，一个老
如何用Complex-YOLO实现点云实时3D目标检测？从鸟瞰图到E-RPN的完整解析
最新发布
weixin_26759093的博客
04-07 174
本文详细解析了如何利用Complex-YOLO实现点云数据的实时3D目标检测，涵盖从点云预处理、鸟瞰图转换到E-RPN角度回归的全流程。通过结合YOLOv2的检测框架与创新性的复数角度表示，Complex-YOLO在自动驾驶和机器人感知领域展现出高效准确的检测性能。文章还提供了实用的训练技巧和部署优化方案，帮助开发者快速掌握这一前沿技术。
【三维目标检测】Complex-Yolov4详解（一）： 数据处理
叶子的博客
06-01 6977
详细理解Complex-Yolo（Complex Yolov4）三维目标检测算法 — 数据处理（一） 前面分别介绍了基于点云的三维深度学习算法PointNet、PointNet++，和基于体素的三维深度学习算法VoxelNet。本节将开始介绍基于投影的三维深度学习算法Complex-Yolov4。三维投影算法主要思想是用激光雷达点云的鸟瞰图（BEV）和前视图（FV）作为模型输入，将三维点云转换为二维图片，早期工作开始于2017年的MV3D。 激光雷达点云的鸟瞰图和前视图的详细介绍请参考：和。 算法参考
YOLO系列专题——Complex-YOLO
爱做菜的炼丹师
12-25 3984
Complex-YOLO是2018年的一篇点云目标检测的文章，发表于arXiv[cs.CV]。文章链接：An Euler-Region-Proposal for Real-time 3D Object Detection on Point Clouds核心思想：本文基于YOLOv2版本的变异，通过把3D点云降维到2D鸟瞰图的方式，将图像检测的网络用于点云的目标检测中。出于降维后信息的损失考虑，本...
【激光雷达3D（1）】【论文翻译】Complex-YOLO: An Euler-Region-Proposal for Real-time 3D Object Detection on Point
AbiUni（YY熊）
12-16 2101
YOLO复合体：关于Euler-Region-Proposal 点云上的实时3D对象检测
【3D目标检测】Complex-YOLOv4测试及分析
静谧、淡雅
02-22 3466
3D点云目标检测分类： 1 Lidar only, point-based method：直接输入点云数据给网络，或者将点云数据pre-process，如将三维点云投射到多个二维平面形成图像。 Complex-yolo首先将点云数据转换到2d-bev图，然后在bev图上进行检测。 2 Lidar only, voxel-based method：三维点云切割成多个小块，这些小块就叫体素，后期可以使用3D卷积像图像一样进行操作。这种方法的计算量较大。 3 Lidar + image，fusing method
【Complex-YOLO: 点云实时目标检测】
qingliange的博客
02-07 8283
Complex-YOLO，论文中介绍是一种仅在点云上进行的最先进的实时3D目标检测网络。借鉴了yolo v2的主干网络，扩展了最后的回归策略，提出了Euler-RegionProposal Network (E-RPN)增加了角度的回归，最后通过实验证明了算法的有效。
Complex-Yolov4详解：模型结构与点云
QfcaLinux的博客
09-17 881
首先，通过加载已经训练好的Complex-Yolov4模型，然后对输入的点云数据集进行预处理，包括归一化、格式转换等操作。通过复杂的网络结构和有效的训练方式，Complex-Yolov4能够准确地检测点云数据中的目标，并具有较高的处理速度。解码器（Decoder）：Complex-Yolov4的解码器将预测头生成的特征重新映射到原始点云数据上，并输出最终的目标检测结果。可以使用现有的公开数据集，如KITTI、SUN RGB-D等，并对数据进行预处理，如点云坐标归一化、标注框生成等。三、点云目标检测实例。
complex-YOLOv4（三）：测试和评估作者训练好的模型以及训练模型
qq_45275571的博客
03-31 4713
前言：YOLOv4这篇github其实跟YOLOv3那个差不多，但是用的pytorch1.5.0，版本更友好了，基本上执行代码就可以了，不需要很多调试。 github：https://github.com/maudzung/Complex-YOLOv4-Pytorch 一、数据集准备 这里数据集结构跟之前的结构不太一样。需要把数据集整理成如下结构： 跟上一篇博客强调的还是一样，不要自行裁剪点云数据，也不要整理划分valid和train数据集 *这里说一个问题，就是KITTI数据集是很大的，如果在pyc.
论文阅读笔记 | 三维目标检测——Complex-YOLO算法
Clichong
11-18 2180
对于之前的网络结构来说，尽管精度很高，但是或多或少都存在rpn接口来获取高质量proposal来提高精度，既然是Two-stage网络必然会导致速度的减少。之前的sota工作基本上fps都在10以下，而complex-yolo的目的就是在精度和速度上追求一个权衡，将kitti数据集推广到预测8个类，面向真实复杂低延迟搞精度的实时业务场景。实际上，yolo系列的算法均是追求速度和精度上的权衡，追求高推理速度的实时性性能，而这也是自动驾驶所需要的。
Complex-Yolov4详解：点云模型结构
UePostscript的博客
09-26 590
此外，Complex-Yolov4还采用了YOLO（You Only Look Once）的检测头结构，用于预测点云中的物体边界框和类别。在计算机视觉领域，点云是一种表示三维物体的数据结构，它由大量的点组成，每个点都包含了位置、颜色和其他属性信息。通过编码器-解码器结构、注意力机制和YOLO检测头的组合，Complex-Yolov4能够高效地处理点云数据，并实现端到端的点云物体检测。解码器则通过反卷积层和上采样操作将特征映射回点云空间。它采用了一系列的技术手段，包括点云数据的编码、解码以及点云特征的提取。
基于ComplEx模型的知识图谱嵌入详解
Y-starrydreamer的博客
11-29 2208
ComplEx模型于2016年提出，主要通过复数空间中的运算来表示知识图谱中的实体和关系。与传统的实数向量表示不同，ComplEx利用复数向量表示可以捕捉到更多的关系特性。
点云3D目标检测学习(3):Complex YOLO
weixin_44645198的博客
03-30 4198
Complex YOLO CVPR 2018的一篇文章 因为对YOLO相对熟悉一些，因此以Complex YOLO 做为第一个学习的3D目标检测模型 主要贡献 1、检测速度快的3D检测网络 2、使用E-RPN计算3D框的朝向 3、能够一次预测多个类 点云的数据处理 将点云数据转为鸟瞰图，选择左右80m，前方40m作为检测区域，8cm划分栅格 然后提取强度密度高度特征组成RGB图，这里的RGB图只是仿照图像的，组成三个通道 网络结构 这里的网络的结构主要使用的YOLOv2,因为后续的YOLO网络还没提出来
YOLO-BEV
whaosoft143ai的博客
10-30 670
在这个学术研究中，作者主要依赖来自nuScenes的nuPlan数据集，这个数据集是重要的自动驾驶信息宝库，包括在波士顿、匹兹堡、拉斯维加斯和新加坡等4个地理和文化多元的城市中精心捕捉的高质量驾驶数据，总计1200小时。通过在战略位置安装8台摄像机，每个摄像机之间间隔45度，作者的系统捕捉并将图像集成到一个连贯的3x3网格格式中，将中心留空，提供了一个丰富的空间表示，有助于高效处理。值得注意的是，虽然AABB简化了交并比（IoU）的计算，但与更精确的定向边界框方法相比，它们通常会导致稍大的IoU值。
基于论文“Complex-YOLO：点云上的实时3D对象检测”的YOLOv4的PyTorch实现
斌擎科技
10-17 683
我们应该始终使用后端进行多处理分布式训练，因为它目前提供了最好的 分布式训练性能。2.4.1. 可视化数据集（来自激光雷达的 BEV 图像和相机图像）（可以调整 、 和参数。默认情况下，这些参数已设置为。要重现结果，您可以运行 bash shell 脚本。请确保按如下方式构建源代码和数据集目录结构。库，请参阅其官方网站上的安装说明。默认情况下，输出镶嵌没有。对于 mayavi和。2.3复杂yolo框架。
BEV-YOLO 论文学习
calvinpaean的博客
11-04 1965
出于安全和导航的目的，自驾感知系统需要全面而迅速地理解周围的环境。目前主流的研究方向有两个：第一种传感器融合方案整合激光雷达、相机和毫米波雷达，和第二种纯视觉方案。传感器融合方案的感知表现鲁棒，但是成本高，所要面临的环境挑战不少，因此大规模部署不太现实。纯视觉方案只依赖于相机传感器做感知，成本低廉，可以持续迭代。因此，纯视觉方案可能是自动驾驶行业的终极方向。目前，纯视觉领域的研究焦点就是如何生成环境 BEV 图，赋能车载感知系统。
探秘高效目标检测：Complex-YOLOv4-PyTorch
gitblog_00097的博客
04-25 654
**项目简介** 是一个基于 PyTorch 实现的优化版 YOLOv4 目标检测框架。YOLO（You Only Look Once）是深度学习领域中著名的实时物体检测算法，而 Complex-YOLOv4 则在原有的基础上进行了改进和优化，旨在提升模型的精度和速度，适用于各种复杂场景的物体检测任务。 **技术分析** 1. **优化的网络架构**：Complex-YOLOv4 基于 Y...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Coding的叶子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值