文中提到，使用slam中传统的关键帧技术有时候并不是最优的，比如纹理少、没有结构信息， 特别是有遮挡的情况等等。。。 A. Voxel hashing data structure 存储地图点使用的是hash表，首先将地图分割成voxel，然后每个voxel中都存放很多的3dpoint，同时3dpoint中携带feature信息（descritor or 2d detector）

Paper name Unifying Voxel-based Representation with Transformer for 3D Object Detection Paper Reading Note URL: https://arxiv.org/pdf/2206.00630.pdf TL;DR NIPS 2022 文章，提出了在 voxel 特征空间统一多模态输入的方式（U

为了致敬*一文读懂Faster RCNN*，本文取名如此。希望能帮助大家以轻松的姿态理解这一霸榜kitti大半年的3D目标检测算法。 0. 立论依据 按照点云的前处理方法划分，通常3D目标检测可以分为基于体素和基于点的方法。文中提到二者有其各自的特点：基于体素的方法能有效地进行region proposal，但是感受野受到卷积核大小的限制。而基于点的方法恰好能够获得灵活的感受野，更捕获更精确的上下

需要 feature 和 对应 的坐标 coords debug：转置，不然维度不匹配！ 对应的代码，向量化 应该 比 for循环快 def voxel_indexing(self, sparse_features, coords): # sparse_features: [N, C], coords:[N, 4]dim = sparse_features.shape[-1]dens

文章目录 1.摘要2.Introduction3.网络结构3.1用于有效特征编码和建议生成的3D Voxel CNN3.2.通过voxel set abstraction进行voxel到关键点场景编码3.3.扩展的VSA模块3.4.预测关键点权重3.5.key point-to-grid RoI特征抽象用于proposal refinement 4.损失 1.摘要 提出了一种

文中提到，使用slam中传统的关键帧技术有时候并不是最优的，比如纹理少、没有结构信息， 特别是有遮挡的情况等等。。。 A. Voxel hashing data structure 存储地图点使用的是hash表，首先将地图分割成voxel，然后每个voxel中都存放很多的3dpoint，同时3dpoint中携带feature信息（descritor or 2d detector）

Voxel R-CNN Voxel R-CNN: Towards High Performance Voxel-based 3D Object Detection 迈向高性能基于体素的3D目标检测 论文网址：Voxel R-CNN 论文代码：Voxel R-CNN 简读论文 该论文提出了 Voxel R-CNN，这是一种基于体素的高性能 3D 对象检测框架。作者认为，原始点的精确定位对于准确