We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
作者您好: (1)我将DAL集成到了自己的训练框架(也是基于mmdet3d),实验发现在自己数据集上检测结果确实优于centerpoint很多,但是将图像的backbone从res18变为res34的时候发现指标没有明显增长。是不是图像特征其实不是很重要? (2)从标注的思路上来考虑,回归分支的heading angle和box size是不是也可以考虑用融合特征,而不是单一的点云特征,中心位置只用点云特征。我在自己数据集上发现纯点云检测对于远一点的目标(>70m)的heading angle容易翻转180°,所以想用图像特征来弥补远处点云稀疏造成的heading angle不准确。
The text was updated successfully, but these errors were encountered:
@2anchao 图像特征看起来很重要,但是在loss下降时网络并没有学到如何利用图像特征做更鲁棒的推理,如果要使用图像特征来解决cornercase,融合的策略需要更精细的设计
Sorry, something went wrong.
No branches or pull requests
作者您好:
(1)我将DAL集成到了自己的训练框架(也是基于mmdet3d),实验发现在自己数据集上检测结果确实优于centerpoint很多,但是将图像的backbone从res18变为res34的时候发现指标没有明显增长。是不是图像特征其实不是很重要?
(2)从标注的思路上来考虑,回归分支的heading angle和box size是不是也可以考虑用融合特征,而不是单一的点云特征,中心位置只用点云特征。我在自己数据集上发现纯点云检测对于远一点的目标(>70m)的heading angle容易翻转180°,所以想用图像特征来弥补远处点云稀疏造成的heading angle不准确。
The text was updated successfully, but these errors were encountered: