development
second-center-v5
Car [email protected], 0.70, 0.70:
bev AP:96.28, 89.26, 88.03
3d AP:92.62, 82.45, 79.03
second-center-v4
Car [email protected], 0.70, 0.70:
bev AP:96.09, 89.39, 86.67
3d AP:92.04, 80.67, 77.50
second-center-v3
Car [email protected], 0.70, 0.70:
bev AP:96.00, 89.22, 86.64
3d AP:91.23, 80.05, 77.02
second-center-v2
Car [email protected], 0.70, 0.70:
bev AP:94.45, 86.20, 83.57
3d AP:89.54, 78.47, 74.10
second-center
Car [email protected], 0.70, 0.70:
bev AP:87.71, 82.86, 81.26
3d AP:79.81, 71.51, 70.02
second-anchor
bev AP:95.97, 89.81, 87.01
3d AP:92.34, 83.25, 80.15
- 细节
- second的RPN最后是用的1x1卷积,而目前的centernet的3个head都是用的1x1卷积,是否考虑和centernet一样先过3x3卷积再过1x1卷积?这样的话RPN的最后一层是否需要调整?
- 计算高斯半径的方法(目前仍然使用的是cornernet的角点半径计算方法第一版,修改此项需要对focal_loss调参)
- 空的体素是否需要特殊处理
- 目前看来centernet在训练过程中,中心点的预测与尺度估计是分开的,但是在预测时这两者是假设一致的,所以在训练的时候把index的范围扩大(从中心扩大到中心及邻域)会提高回归的效果?
- eval_oracle_wh和eval_oracle_reg的作用?
- offset的输出是否需要经过sigmoid,因为gt全为正,且在[0, 1]之间,更进一步的来讲,确定中心点在特征层上的位置时,应该用round而不是floor
- 中心点溢出的问题目前是设置阈值,是否采取删除操作更合适?
- 高度值的预测是否需要encode和decode的操作?
- centernet使用像素尺寸计算输出特征图上对应的高斯半径?目前的网络是用的特征图的目标尺寸计算的高斯半径
- 目前除了heat_map_head之外,没有经过decode和encode.
- centernet中对于size的回归写了三种loss,目前采用的是跟offset一样的L1 loss.
- centernet训练和测试的时候使用的是不同的sigmoid?
- 问题
- kitti.py中生成bbox和heat map的gt的流程是一样的,但是生成的tensor变量分别是list类型和tensor类型
- numpy的clip不能用于多线程?