「」飞桨火力全开,重磅上线3D模型:PointNet++、PointRCNN!( 三 )



文章图片

③特征编码:将规范坐标时丢失的深度信息、规范后的坐标信息、前后背景语义信息等经过多层感知机提取特征 , 作为每个点的编码特征 。
④微调预测框:经过上一步编码后的特征 , 经 PointNet++ 网络进行特征提取 , 最后回归得到局部坐标系下的 3D 预测框 。
实验结论
目前发布的 KITTI 数据集下 Car 检测精度如下:
「」飞桨火力全开,重磅上线3D模型:PointNet++、PointRCNN!
文章图片

文章图片

以上就是飞桨 1.7 发布的 PointNet++ 和 PointRCNN 模型 , 基于飞桨框架 , 开发者可快速实现 3D 图像的分类、语义分割和目标检测任务 , 模型精度持平世界一流水平 。
欢迎感兴趣的伙伴在 PaddleCV 的模型库中 , 获取相关数据集和代码 , 尝试实现自己的 3D 应用 。(3D 模型存在自定义 OP , 需要在 GPU+Linux 平台实现)
如果您想详细了解更多飞桨的相关内容 , 请参阅以下文档 。
飞桨开源框架项目地址:GitHub: https://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/3d_visionGitee: https://gitee.com/paddlepaddle/Paddlehttps://github.com/PaddlePaddle/models/tree/release/1.7/PaddleCV/3d_vision


推荐阅读