NGP改用了Gridbased的方法。NeRF采用了一个很大的神经网络（8层、每层256个神经元），直接计算每个采样点的\(\sigma\)和\(c\)就会很慢；NGP则是先找到所有包含这个点的Voxel，利用Voxel的顶点进行“三维内插”（trilinear）得到"特征值"，把这个特征值丢到一个2层神经网络中；每个Voxel都

SceneasOccupancylink时间：23.06机构：ShanghaiAILab&&SenseTime&&CUHKTL;DR提出使用3DOccupancy来表征3D物理场景，相对于3D检测框，3DOcc可提供更细粒度细节。提出OccNet一种多目级连的时序模型，运动规划碰撞率降低15%~58%。创新性：bethefirsttoinvestigateoccupancy

项目地址：https://www.gdcvault.com/play/1025151/Hierarchical-Dynamic-Pathfinding-for-LargePPT地址：https://ubm-twvideo01.s3.amazonaws.com/o1/vault/gdc2018/presentations/Alain_Benoit_HierarchicalDynamicPathfinding.pdf视频地址：https://www.youtube.com/watch?

目录概述MeshCard为什么需要用MeshCardMeshCard原理CardLODSurfaceCacheSurfaceCache资源管理CardAtlasCardCaptureAtlasCardAtlas的存储RadianceCache分帧算法SortMeshCardsVoxelLighting（UE5.1已砍）为什么需要VoxelLightingVoxelLighting原理Voxel的存储方式Voxel

PDF:VoxelR-CNN:TowardsHighPerformanceVoxel-based3DObjectDetectionCODE:https://github.com/djiajunustc/Voxel-R-CNN一、大体内容现有基于Point-based的目标检测方法可以保留精确点的位置，具有更好的性能，但是由于无序的存储方式，计算量很大。而Voxel-based方法更容

PDF：https://arxiv.org/pdf/1912.13192.pdfCODE:https://github.com/sshaoshuai/PV-RCNN一、大体内容前面介绍了基于Point的3D目标检测网络（PointRCNN、3DSSD）以及基于voxel的3D目标检测网络（VoxelNet、SECOND、PointPillar），基于Voxel的方法比较高效，其多尺度的特征可以生成较高质量

1.网络主体架构以voxel_rcnn_car.yaml为例。主要包括：VFE(体素编码网络)，这里采用下MeanVFE;BACKBONE_3D，这里采用VoxelBackBone8x;MAP_TO_BEV，这里采用HeightCompression，NUM_BEV_FEATURES为256；BACKBONE_2D，这里采用BaseBEVBackbone；DENSE_HEAD，这里采用AnchorHeadSingle;ROI_H

官网文档parameter:Input:open3d.geometry.Pointcloud点云类voxel_size:体素单位长度Return:处理后的点云类Description:体素降采样使用常规的体素网格从输入点云创建统一降采样的点云。它通常用作许多点云处理任务的预处理步骤。 就是将点云分块（这里为体素），然后逐

Type:SensorsYear:2022tag:Mapping组织:Bonn参考与前言论文链接：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8838740/其他参考建议看一下本篇论文的对应refer

​前言​前两篇文章：3D目标检测深度学习方法中voxel-represetnation内容综述（一）、3D目标检测深度学习方法中voxel-represetnation内容综述（二）分别介绍了当前voxel-representa

前言这一篇文章主要介绍一篇发表在ECCV20上的采用多模态融合的3D目标检测的文章，并总结一下目前多多模态的方法。所谓多模态融合，即采取多种传感器数据作为深度学习网络的输入

前言​这一篇的内容主要要讲一点在深度学习的3D目标检测网络中，我们都采用了哪些数据预处理的方法，主要讲两个方面的知识，第一个是representation，第二个数据预处理内容是数据

前言​笔者上一篇文章有介绍了3D目标检测中比较重要的数据预处理的两个方面的内容，其一是几种representation的介绍，分别是point、voxel和grap三种主要的representation，具体

前言​前面的一篇文章：3D目标检测深度学习方法中voxel-represetnation内容综述（一）中笔者分享了如果采用voxel作为深度学习网络输入的backbone的几个重要的模块。也就是目前

参考与前言本文主要介绍建图Mapping方面的一些基础知识介绍与相关下游任务使用涉及知识较为基础，SLAM大佬们可以提前退出了主要针对应用为移动机器人与物流无人驾驶