티스토리

shvtr159

검색하기

블로그 홈

shvtr159

shvblog.tistory.com/m

Computer Vision 관련 정리

구독자: 0

방명록 방문하기

주요 글 목록

[논문 리뷰] VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 기존의 LiDAR data 기반 3D object detection 방법들은 대부분 hand-crafted 방법을 이용해 feature를 생성하고 RPN에 넣는 방법을 사용했습니다. 본 논문과 같이 Voxel을 사용했던 방법도 있었지만 각각의 voxel을 hand-crafted방법을 통해 feature를 encoding 하였습니다. VoxelNet은 hand-crafted feature 대신 feature extraction과 bounding box prediction을 single stage로 통합하여 end-to-end 방식으로 학습할 수 있는 네트워크를 제안하였습니다. VoxelNet 이전 PointNet과 PointNet++이라는 유명한 논문들은 point cloud를 다른 변형 없이 point들.. 공감수 0 댓글수 0 2022. 10. 28.
[논문 리뷰] KPConv: Flexible and Deformable Convolution for Point Clouds Point cloud 기반의 learning에는 VoxelNet과 같은 grid 기반의 방법, PointNet과 같은 mlp 기반의 방법 등 다양한 방법이 있습니다. 그중에서도 2D domain에서 큰 성능을 보인 CNN을 point cloud에 직접 적용하기 위해 PointwiseCNN, SpiderCNN, PCNN 등 다양한 방법들이 발전해왔습니다. KPConv는 이처럼 point cloud를 변환 없이 그대로 conovlution을 적용할 수 있도록 하는 방법으로 ICCV 2019에서 발표된 논문입니다. 1. Kernel point convolution KPConv는 그림과 같이 기존 이미지 convolution과 유사하게 적용됩니다. 기존 2D image와 같이 각 point(이미지에서는 pixe.. 공감수 1 댓글수 1 2022. 9. 16.
[논문 리뷰] R-CNN, Fast R-CNN, Faster R-CNN R-CNN Girshick, Ross, et al. "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. R-CNN은 object detection의 시작이라고 할 수 있는 논문으로 이 이후 더 발전된 다양한 R-CNN 계열 network들이 제안되었습니다. R-CNN의 방법과 순서는 다음과 같은 3개의 module으로 구성됩니다. Category에 독립적인 region proposal : detector에 사용될 영역 후보를 제안합니다. Large convo.. 공감수 0 댓글수 0 2022. 6. 12.
[논문 리뷰] 3D Point Cloud Processing and Learning for Autonomous Driving - Part 3. Key ingredients of 3D point cloud processing and learning (con't) Part2에서는 다양한 표현방법에 대해 알아보았습니다. 이번 Part3에서는 이 표현법들을 기반으로 3D point cloud를 processing 하고 learning 하는 대표적인 방법들에 대해 알아봅니다. Representative tools 3D point cloud를 processing하고 learning 하는 데 사용되는 몇 가지 방법에 대해 알아봅니다. 최근 자율주행에서는 주로 딥러닝 기반 방법들이 주로 사용되기 때문에 이 부분에 집중해서 알아봅니다. Nondeep learning methods 딥러닝이 나타나기 이전에는 많은 전통적인 handcrafted 방법들이 있었고, .. 공감수 1 댓글수 0 2022. 6. 3.
[논문 리뷰] 3D Point Cloud Processing and Learning for Autonomous Driving - Part 2. Properties & representation Key ingredients of 3D point cloud processing and learning 이번 파트에서는 3D point cloud processing과 learning의 기본 방법들에 대해 알아보기 전에 3D point cloud의 key property들은 무엇인지 확인하고 3D point cloud를 표현하는 몇 가지 방법들에 대해 알아봅니다. Properties Real-time lidar sweeps 일반적인 lidar는 채널 수만큼 evaluation angle(고도각)을 가지고 각 채널마다 고유한 Laser ID 번호가 주어집니다. 360도 시야를 제공하는 Lidar는 회전하며 초당 수천번 laser를 발사하게 되는데 이를 통해 채널 개수만큼의 elevation angle과 .. 공감수 0 댓글수 0 2022. 5. 10.
[논문 리뷰] 3D Point Cloud Processing and Learning for Autonomous Driving - Part 1. Introduction IEEE Signal Processing Magazine ( Volume: 38, Issue: 1, Jan. 2021)에 게재된 review 논문을 정리한 글입니다. 자율주행 자동차에 관련한 3D point cloud에 대해 정리되어있습니다. review 논문인 만큼 길이가 길어 파트를 나눠 정리할 예정입니다. Introduction and motivation A tour of an Autonomous system 일반적으로 autonomous system은 위 이미지와 같이 sensing, map 생성, localization, perception, prediction, routing, planning, 그리고 control module들로 구성됩니다. High-definition(HD) map은 of.. 공감수 0 댓글수 0 2022. 5. 6.
[논문 리뷰] MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird’s Eye View Maps 1. Introduction 이전까지 일반적으로 주변 환경에 대한 추정은 (1) perception : background에서 foreground를 구분해내는 작업, (2) motion prediction : object의 미래 trajectory를 예측하는 작업, 이 두가지 작업을 독립적으로 또는 동시에 처리할 수 있는 방법들이 발전해왔습니다. 기존 주변 환경 인식 방법은 주로 카메라를 이용한 2D object detection, LiDAR를 이용한 3D object detection, 여러가지를 동시에 사용하는 fusion-based detection 방법을 기반으로 bounding box를 찾고 이 bounding box를 기반으로 motion prediction을 수행하였습니다. 그러나 이 방법은.. 공감수 0 댓글수 0 2022. 3. 25.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.