主要观点总结
本文主要介绍了基于lidar的目标检测方法，包括基于BEV、camera view和point-wise feature的三种方法。文章详细描述了这三种方法的关键点和特点，包括lidar representation、network backbone和detection head的设计。同时，文章还提到了各种方法的优缺点和未来研究方向。
关键观点总结
关键观点1: 基于BEV的目标检测方法
该方法使用BEV作为点云特征的表达，包括bev generator、network backbone和detection head三个部分。其中，bev generator负责生成bev特征图，network backbone负责特征提取，detection head负责目标分类与定位。该方法在目前的自动驾驶的3D目标检测方案中应用较广。
关键观点2: 基于camera view的目标检测方法
该方法使用camera view图作为输入，通过网络结构的设计，实现目标检测。该方法效率较高，但基于camera view的表达模式也存在尺度变化和遮挡等问题，需要额外的后处理。
关键观点3: 基于point-wise feature的目标检测方法
该方法直接使用点云作为输入，通过提取点特征或voxel特征，实现目标检测。该方法能够极大保留点云的原始信息，但效率较低，仍在研究阶段。
文章预览
点击下方 卡片 ，关注“ 新机器视觉 ”公众号 重磅干货，第一时间送达 来源：计算机视觉之路 基于lidar的目标检测方法可以分成3个部分：lidar representation，network backbone，detection head，如下图所示。 根据lidar不同的特征表达方式[1]，可以将目标检测方法分成以下4种：基于BEV（bird’s eye view）的目标检测方法，基于camera view的目标检测方法，基于point-wise feature的目标检测方法，基于融合特征的目标检测方法。如下图所示。 基于bev的目标检测方法顾名思义是使用bev作为点云特征的表达，其检测流程如下图所示，包括3个部分：bev generator，network backbone， detection head。下面详细介绍一下这3个部分如何在基于bev的目标检测方法中发挥作用。 1. BEV generator BEV图由激光雷达点云在XY坐标平面离散化后投影得到，其中需要人为规定离散化时的分辨率，即点云空
………………………………
