Det3D

DET3D

Une base de code de détection d'objets 3D générale dans Pytorch.

1. Introduction

Det3d est la première boîte à outils de détection d'objets 3D qui fournit les implémentations hors boîte de nombreux algorithmes de détection d'objets 3D tels que les points de point, le deuxième, le pixor, etc., ainsi que les méthodes de pointe sur des références majeures comme Kitti (VIP) et les nuscenes (CBG). Les caractéristiques clés de Det3d incluent les aspects suivants:

• Prise en charge des ensembles de données multiples: Kitti, nuscenes, lyft
• Zoo de modèle basé sur des points et basés sur des voxels
• Performance de pointe
• DDP et syncbn

2. Installation

Veuillez vous référer à Instalation.md.

3. Démarrage rapide

Veuillez vous référer à getS_Started.md.

4. Modèle Zoo

4.1 nuscenes

	carte	copain	massacre	maoe	mave	maae	SNDS	CKPT
CBG	49.9	0,335	0,256	0,323	0,251	0.197	61.3	lien
Point de pointage	41.8	0,363	0,264	0,377	0,288	0.198	56.0	lien

Le modèle d'origine et les fichiers de prédiction sont disponibles dans le CBGS Readme.

4.2 Kitti

Deuxième ensemble de données Kitti (Val)

 car  AP @0.70, 0.70,  0.70:
bbox AP:90.54, 89.35, 88.43
bev  AP:89.89, 87.75, 86.81
3d   AP:87.96, 78.28, 76.99
aos  AP:90.34, 88.81, 87.66

PointPillars sur Kitti (Val) DataSet

 car  [email protected],  0.70,  0.70:
bbox AP:90.63, 88.86, 87.35
bev  AP:89.75, 86.15, 83.00
3d   AP:85.75, 75.68, 68.93
aos  AP:90.48, 88.36, 86.58

4.3 Lyft

• Lyft Config

4.4 Waymo

5. Fonctionnalité

• Modèles
  • Voxelnet
  • DEUXIÈME
  • Point de point
• Caractéristiques
  • Apprentissage multi-tâches et apprentissage multi-tâches
  • Formation et validation distribuées
  • Synchronisation
  • Dimensions d'ancrage flexibles
  • Tensorboardx
  • CheckPointer & Breakpoint Continue
  • Visualisation autonome
  • Affiner
  • Formation et validation à plusieurs échelles
  • ROI ROI ALIGN

6. Liste de TODO

• Être libéré

  • Ensemble de données CGBS sur Lyft (Val)

• Modèles

  • Pointrcnn
  • Pixor

7. Appel à la contribution.

• Prise en charge de l'ensemble de données Waymo.
• Ajoutez d'autres modèles de détection / segmentation 3D, tels que VoteNet, Std, etc.

8. développeurs

Benjin Zhu, Bingqi MA

9. Licence

DET3D est publié sous les licennes Apache.

10. Citation

DET3D est une base de code dérivée de CBGS, si vous trouvez ce travail utile dans votre recherche, veuillez envisager CITE:

 @article{zhu2019class,
  title={Class-balanced Grouping and Sampling for Point Cloud 3D Object Detection},
  author={Zhu, Benjin and Jiang, Zhengkai and Zhou, Xiangxin and Li, Zeming and Yu, Gang},
  journal={arXiv preprint arXiv:1908.09492},
  year={2019}
}

11. REMERCIEMENT

• mmdection
• MMCV
• second.pytorch
• maskrcnn_benchmark