Halcon深度图转点云

PointRCNN源代码中的作者提及的预训练模型。[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）。有了该模型就无需自己在训练，可以直接用这个模型对网络进行检测和再训练。并且可以参考我的另一篇博文进行网络复现和可视化操作。利用作者的预训练模型可以直接检测，将模型放在tools下面。复现博文地址：https://blog.csdn.net/Callme_TeacherPi/article/details/125963061

20210425-开源证券-矩子科技-300802-中小盘首次覆盖报告：机器视觉检测设备龙头，3D检测实现进口替代.pdf

对象为点 使用中心点检测的对象检测，3D检测和姿态估计： 周兴义，王德全，PhilippKrähenbühl， arXiv技术报告（ ） 联系人： 。 欢迎任何问题或讨论！ 更新 （2020年6月）我们发布了基于Lidar的最新3D检测和跟踪框架 。 （四月，2020）我们发布了一个国家的最先进的（多类别- / pose- / 3D-）跟踪扩展 。 抽象的 检测将对象识别为图像中与轴对齐的框。 最成功的物体检测器会列举出潜在物体位置的几乎详尽的清单，并对每个物体进行分类。 这是浪费，低效的，并且需要附加的后处理。 在本文中，我们采用了不同的方法。 我们将对象建模为单个点-其边界框的中心点。 我们的探测器使用关键点估计来找到中心点，并回归到所有其他对象属性，例如大小，3D位置，方向，甚至姿态。 我们的基于中心点的方法CenterNet与相应的基于边界框的检测器相比，是端到端的可区