1. 概述

该论文的主要工作是，在只利用激光雷达的点云数据作为输入，在点云数据中进行类型为”车辆”的目标进行检测(在复现该算法过程中，存在一个比较显然的现象就是：目标所在的的位置，实际上垂直角一般都很小，在进行映射映射前后容易产生误差，这种误差对于远的目标的定位会有非常明显的影响；或者是是我理解有问题吗？ -2018-04-25)。

2. 方法

2.1 数据预处理

将激光雷达扫描获取的3维点进行映射，其中映射方法如下：

则，在3D空间中的任意一点P(x,y,z)对应的映射点为：

其中

表示映射点的2D坐标，映射公式见(1)

表示2通道值，两个通道的值的计算方法为：

如果2D平面上的点无对应的3D点，则使用(0,0)进行填充。

2.2 全卷积网络结构

如下图所示，为该论文采用的全卷积网络的框架结构，该网络并不是简单地进行卷积层的堆叠，而是引进了跨层链接的结构，通过这种第层卷积特征和高层卷积特征的结合，以获取对小物体和物体边缘特征的提取。详细的深度全卷积网络的说明见表1(但是，卷积核的个数相关的内容论文没有详细描述)。

表1. 全卷积网络结构说明

图1. 全卷积网格结构

图2. 局部坐标定义

2.4 训练阶段

2.4.1 数据增强

对样本点利用近似单位矩阵的变换矩阵进行变换，以增加样本数量，同时，相比简单地对水平角和垂直角加入噪声，论文中利用接近单位矩阵的变换矩阵对点进行变换，能够近似保留样本点的几何特性。

2.4.2 多目标训练(代价函数)

如前文所述，论文的目标需要同时检测目标框和目标类型分类(“车辆”和“非车辆”两个类别)， 所以，需要构造代价函数，以驱动深度全卷积网络的参数学习：

(1) 类别识别代价定义如下， 即为softmax代价：

(2) 车辆边框定位代价定义如下， 即目标框定位的差异，采用L2距离范数测度：

2.4.3 训练策略

由于在很多训练问题中，存在着正负样本不平衡的问题， 在论文所使用的训练集合上(KITTI)数据集合中，同样存在正负样本不平衡的问题；同时，激光雷达扫描的特点：近处扫描点密集，远处扫描点稀疏；为了能够在距离上进行平衡，需要在近处和远处目标样本进行平衡，具体如下：

(1) 正负样本不平衡： 对样本的代价损失进行重加权，即对正样本的权重大，负样本的权重小，在论文中k的取值为4：

(2) 扫描点近远不平衡：考虑正样本的平均扫描点数和样本本身扫描点数，当正样本的扫描点数大于平均扫描点数时，说明样本离激光雷达较近，损失函数权重较小；反之，则较大，以增强对远处目标的检测能力：

(3) 完整的代价损失函数定义：

2.5 测试阶段

为了能够进行准确性验证，由于学习的网络输出的信息为类别，以及预测编码形式的边框结果，所以需要将预测编码形式的结果进行逆变换以获取实际的目标框。 同时，需要进行非极大值抑制，通过分类置信度由高到底排序，每次检测置信度最高的目标框，删除与其距离在一定范围内的其他检测框。

准确性衡量方法：

(1) 在二维平面中，要求检测框通过映射到二维图像平面中，与标注的目标框的重叠度大于70%时，认为检测正确且可接受；

(2) 在三维空间中， 将标注的目标框(3D)和检测获取的目标框(3D)投影到地面后，如果重叠度大于70%，认为检测正确且可接受

2.6 测试结果

最后

以上就是俊秀鲜花为你收集整理的Vehicle Detection from 3D Lidar Using Fully Convolutional Network解析(3D-CNN模型)1. 概述2. 方法的全部内容，希望文章能够帮你解决Vehicle Detection from 3D Lidar Using Fully Convolutional Network解析(3D-CNN模型)1. 概述2. 方法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。