使用Google Colab进行3D物体检测模型的训练（采用VoteNet算法）

基于深度霍夫投票的点云三维目标检测方法
作者 ：Charles R. Qi，Or Litany，何恺明，Leonidas J. Guibas等
简介 ：目前广泛采用的三维目标检测技术，在很大程度上受到二维检测器的影响。一些方法通过充分运用二维检测器来生成三维建议框（例如Frustum-PointNets），或者将三维点云转换为结构化的网格（如VoxelNet）。而VoteNet则是一种直接处理原始数据、无需依赖任何二维检测器 的点云三维检测框架。在该论文中，研究者从基本原理出发，为点云数据构建了一个尽可能通用的三维检测流程。然而，由于数据本身的稀疏性，在直接从场景点预测边界框参数时面临一个关键难题：一个三维物体的质心可能远离其表面点，因此难以通过单一步骤准确回归。为应对这一挑战，研究者提出了VoteNet，这是一个融合深度点集网络与霍夫投票机制的端到端三维目标检测模型。该模型结构简洁、体积小巧且运行高效，在SUN RGB-D 与 ScanNet 这两个真实三维扫描数据集上达到了当前最先进的三维检测精度。特别值得注意的是，VoteNet在性能上超越了以往的方法，并且无需依赖彩色图像信息，仅利用纯几何特征即可实现高精度检测。