Jeff_zjf的博客

任务：调研室内场景下基于单帧图像的3D目标检测的研究情况，选出精确性最好的前五名，有开源代码的前三名，总结成一个报告发给我，形式可以用PPT可以用word。思路：首先了解相关数据集，benchmark，在数据集的基础上比较不同算法。1. 室内场景的3D数据集sunrgbd：没有官方模型准确率排名scannet：有排名http://kaldir.vc.in.tum.de/scannet_benchmark/3D 语义分割任务：（并不是3D目标检测）OccuSeg 来源：C..

前言VoteNet 是一个3D 点云目标检测的一个模型，其中涉及Hough voting的概念，困惑了我好久，这里记录下我的理解。如有错误，欢迎指正。在VoteNet的源码中，涉及Hough voting的计算有两处：在点云数据的label产生中，计算Hough voting的真实值 在网络的正向传播过程中，计算Hough voting的预测值以下将通过这两个部分讲解Hough voting。一、Hough voting真实值的计算其源代码在votenet/sunrgbd/sun

SUN RGB-D数据集是普灵斯顿大学的 Vision & Robotics Group 公开的一个有关场景理解的数据集。官方介绍在此，其中有视频介绍。视频介绍已经很详细了，建议先看懂视频。此博客仅仅列出个人认为的一些理解要点，如有错误，欢迎指正。SUN RGB-D 数据集包含10335张不同场景的室内图片，图片的格式是RGB-D格式。一、数据采集通过四款3D摄像机采集图像和深度信息：Intel Realsence Asus Xtion Kinect v1 Kinect