第1 章 Python 簡介與環境搭建
1 .1 Python 簡介
1 .2 Python 常用數據類型
1 .2.1 數值類型
1 .2.2 字符串類型
1 .2.3 列表類型
1 .2.4 字典類型
1 .2.5 其他類型
1 .3 常用語法
1 .3 .1 包導入
1 .3 .2 主函數入口
1 .3 .3 縮 進
1 .3 .4 函 數
1 .3 .5 類
1 .3 .6 流程控制結構
1 .3 .7 學習網站和資料
1 .4 Python 環境安裝
1 .4.1 Conda 安裝
1 .4.2 PythonIDE 安裝
1 .4.3 程序調試
1 .5 Python 源碼加密
1 .6 pip 鏡像設置
1 .7 程序資料
第2 章 點云開發環境安裝與配置
2.1 Python Open3d 安裝
2.2 Python PCL 安裝
2.3 CUDA 套件安裝
2.3 .1 CUDA 架構簡介
2.3 .2 Windows 系統 CUDA 安裝
2.3 .3 Linux 系統 CUDA 安裝
1人工智能點云處理及深度學習算法
2.4 cuDNN 安裝
2.4.1 Windows 系統cuDNN 安裝
2.4.2 Linux 系統cuDNN 安裝
2.5 PyTorch 安裝
2.6 參考環境創建
2.7 程序資料
第3 章 點云基礎
3 .1 點云數據結構
3 .2 點云采集方式
3 .2.1 激光雷達
3 .2.2 RGBD 相機
3 .2.3 應用場景
3 .3 點云存儲格式
3 .3 .1 pcd 點云存儲格式
3 .3 .2 ply 點云存儲格式
3 .3 .3 txt 點云存儲格式
3 .3 .4 bin 點云存儲格式
3 .4 點云格式相互轉化
3 .5 Open3d 讀寫點云文件
3 .5 .1 pcd 文件讀寫
3 .5 .2 ply 文件讀寫
3 .6 Python pcl 讀寫點云文件
3 .7 點云可視化
3 .7.1 Matplotlib 點云可視化
3 .7.2 Mayavi 點云可視化
3 .7.3 Open3d 點云可視化
3 .7.4 Python pcl 點云可視化
3 .7.5 CloudCompare 點云可視化
3 .8 程序資料
第4 章 點云幾何形態
4.1 體 素
4.2 法向量
4.2.1 *小二乘求解法
4.2.2 PCA 求解法
4.2.3 Open3d 計算法向量
4.3 質 心
4.4 三角面
4.5 倒角距離
4.6 程序資料
第5 章 點云空間變換
5 .1 平移變換
5 .2 旋轉變換
5 .2.1 旋轉表示方法
5 .2.2 Open3d 點云旋轉
5 .3 平面投影
5 .4 仿射變換
5 .5 點云縮放
5 .6 基于法向量的旋轉
5 .7 程序資料
第6 章 點云預處理算法
6 .1 離群點過濾
6 .1 .1 無效值剔除
6 .1 .2 統計方式剔除
6 .1 .3 半徑濾波方式剔除
6 .2 點云下采樣
6 .2.1 體素下采樣
6 .2.2 隨機下采樣
6 .2.3 均勻下采樣
6 .2.4 *遠點采樣
6 .3 坐標上采樣
6 .4 特征上采樣
6 .5 程序資料
第7 章 點云機器學習常見算法
7.1 ICP 點云配準方法
7.2 點云拼接
7.3 點云分割
7.3 .1 RANSAC 平面分割
7.3 .2 DBSCAN 聚類
7.3 .3 KMeans 聚類
3人工智能點云處理及深度學習算法
7.4 其他聚類算法
7.4.1 OPTICS
7.4.2 Spectral Clustering
7.4.3 Hierarchical Clustering
7.4.4 Mean shift
7.4.5 BIRCH
7.4.6 Affinity Propagation
7.5 表面重建
7.5 .1 Alpha shapes
7.5 .2 Ball pivoting
7.5 .3 Poisson
7.5 .4 Voxel grid
7.6 程序資料
第8 章 點云深度學習基礎
8.1 感知機模型
8.1 .1 感知機結構
8.1 .2 梯度下降法
8.2 卷積神經網絡
8.2.1 卷積層
8.2.2 池化層
8.2.3 全連接層
8.2.4 激活函數
8.2.5 批歸一化
8.2.6 損失函數
8.3 反向傳播算法
8.4 特征視野范圍
8.5 非極大值抑制
8.6 Pytorch 神經網絡框架
8.7 模型參數量與存儲空間
8.7.1 計算原理
8.7.2 維度對比
8.8 mmdetection3d 三維深度學習框架
8.8.1 安裝調試
8.8.2 mmdetection3d 訓練
8.8.3 關鍵程序與斷點
8.8.4 程序資料
第9 章 三維點云數據集
9 .1 ModelNet40
9 .2 KITTI
9 .2.1 激光雷達數據
9 .2.2 標注數據
9 .2.3 圖像數據
9 .2.4 標定數據
9 .2.5 相機到雷達坐標
9 .2.6 標注可視化
9 .2.7 mmdetection3d KITTI
9 .3 NuScenes
9 .3 .1 數據范圍
9 .3 .2 json 文件
9 .3 .3 NuScenes 工具包
9 .3 .4 mmdetection3d nuScenes
9 .4 S3DIS
9 .4.1 數據集簡介
9 .4.2 mmdetection3d S3DIS
9 .5 ScanNet v2
9 .5 .1 數據集簡介
9 .5 .2 mmdetection3d ScanNet v2
9 .6 SUN RGB D
9 .6 .1 數據集簡介
9 .6 .2 mmdetection3d SUN RGB D
9 .7 點云數據預處理方法
9 .7.1 歸一化
9 .7.2 隨機縮放
9 .7.3 隨機平移
9 .7.4 隨機旋轉
9 .7.5 隨機擾動
9 .7.6 隨機排序
9 .7.7 隨機丟棄
9 .7.8 剔除范圍外點
9 .8 程序資料
5人工智能點云處理及深度學習算法
第10 章 三維點云深度學習基礎模型算法
10.1 PointNet (CVPR 2017)
10.1 .1 輸入數據
10.1 .2 分類網絡
10.1 .3 分割網絡
10.2 PointNet (NIPS 2017)
10.2.1 SA 模塊
10.2.2 分類網絡
10.2.3 分割網絡
10.2.4 多尺度分組
10.3 VoxelNet (CVPR 2018)
10.3 .1 數據裁剪
10.3 .2 數據處理
10.3 .3 模型結構
10.3 .4 損失函數
10.4 Complex Yolo
10.4.1 點云鳥瞰圖
10.4.2 點云前視圖
10.4.3 Complex Yolov4 輸入數據
10.4.4 Complex Yolov4 模型
10.5 SECOND (Sensor 2018)
10.5 .1 三維稀疏卷積簡介
10.5 .2 模型結構
10.5 .3 頂層結構
10.5 .4 模型訓練
10.6 CenterPoint (CVPR 2021)
10.6 .1 模型總體結構
10.6 .2 模型詳細結構
10.6 .3 頂層結構
10.6 .4 模型訓練
10.7 VoteNet (ICCV 2019)
10.7.1 模型總體結構
10.7.2 模型詳細結構
10.7.3 頂層結構
10.7.4 模型訓練
10.8 目標檢測與圖像融合可視化
10.9 點云語義分割可視化
10.10 程序資料
第11 章 室外三維目標檢測模型算法
11 .1 PointPillars (CVPR 2019)
11 .1 .1 模型總體結構
11 .1 .2 模型詳細結構
11 .1 .3 頂層結構
11 .1 .4 模型訓練
11 .2 SSN (ECCV 2020)
11 .2.1 模型總體結構
11 .2.2 模型詳細結構
11 .2.3 損失函數
11 .2.4 頂層結構
11 .2.5 模型訓練
11 .3 3DSSD (CVPR 2020)
11 .3 .1 模型總體結構
11 .3 .2 *遠點采樣
11 .3 .3 模型詳細結構
11 .3 .4 損失函數
11 .3 .5 頂層結構
11 .3 .6 模型訓練
11 .4 SASSD (CVPR 2020)
11 .4.1 模型總體結構
11 .4.2 模型詳細結構
11 .4.3 Head 與損失函數
11 .4.4 頂層結構
11 .4.5 模型訓練
11 .5 PointRCNN (CVPR 2019)
11 .5 .1 模型總體結構
11 .5 .2 模型詳細結構
11 .5 .3 損失函數
11 .5 .4 頂層結構
11 .5 .5 模型訓練
11 .6 Part A2 (TPAMI 2020)
11 .6 .1 模型總體結構
11 .6 .2 模型詳細結構
7人工智能點云處理及深度學習算法
11 .6 .3 總體損失與頂層結構
11 .6 .4 模型訓練
第12 章 室內三維目標檢測模型算法
12.1 H3DNet (ECCV 2019)
12.1 .1 模型總體結構
12.1 .2 模型詳細結構
12.1 .3 總體損失與頂層結構
12.1 .4 模型訓練
12.2 Group Free 3D (ICCV 2021)
12.2.1 模型總體結構
12.2.2 模型詳細結構
12.2.3 模型訓練
12.3 FCAF3D (ECCV 2022)
12.3 .1 模型總體結構
12.3 .2 模型詳細結構
12.3 .3 模型訓練
第13 章 單目三維目標檢測模型算法
13 .1 ImVoxelNet ( WACV 2022)
13 .1 .1 模型總體結構
13 .1 .2 模型詳細結構
13 .1 .3 損失函數與頂層結構
13 .1 .4 室內情況
13 .1 .5 模型訓練
13 .2 SMOKE (CVPRW 2020)
13 .2.1 模型總體結構
13 .2.2 模型詳細結構
13 .2.3 模型訓練
13 .3 FCOS3D (ICCVW 2021)
13 .3 .1 模型總體結構
13 .3 .2 模型詳解
13 .3 .3 模型訓練
第14 章 多模態三維目標檢測模型算法
14.1 多模態數據融合方法
14.2 MVXNet (ICRA 2019)
14.2.1 模型總體結構
14.2.2 圖像特征提取
14.2.3 點云特征提取
14.2.4 主干網絡與 NECK 層
14.2.5 損失函數與頂層結構
14.2.6 模型訓練
14.3 ImVoteNet (CVPR 2020)
14.3 .1 模型總體結構
14.3 .2 二維候選框預測
14.3 .3 點云種子點生成
14.3 .4 圖像投票特征提取
14.3 .5 結果預測與損失計算
14.3 .6 模型訓練
第15 章 三維語義分割模型算法
15 .1 PAConv (CVPR 2021)
15 .1 .1 PAConv 卷積結構
15 .1 .2 主干網絡
15 .1 .3 特征上采樣與結果預測
15 .1 .4 損失函數與頂層結構
15 .1 .5 模型訓練
15 .2 DGCNN (TOG 2019)
15 .2.1 模型總體結構
15 .2.2 EdgeConv 卷積
15 .2.3 主干網絡
15 .2.4 特征融合與結果預測
15 .2.5 損失函數與頂層結構
15 .2.6 模型訓練
第16 章 三維深度補全模型
16 .1 模型總體結構
16 .2 輸入數據
16 .2.1 KITTI 數據集下載
16 .2.2 數據集預處理
16 .3 ENet 主干網絡
16 .3 .1 ENet 主干支路一
16 .3 .2 ENet 主干支路二
9人工智能點云處理及深度學習算法
16 .3 .3 分支融合
16 .3 .4 ENet 損失函數
16 .4 DA CSPN
16 .4.1 卷積核參數及其權重學習
16 .4.2 DA CSPN 結果微調
16 .4.3 feature_s1 CSPN 結果微調
16 .4.4 損失函數
16 .5 模型訓練
參考文獻