PointPillars网络

pointcolumns网络需要两个输入:作为P-by-2和支柱特征为P——- - - - - -N——- - - - - -K矩阵。P是网络中柱子的数量，N每根柱子的点数是多少K为特征维。

网络从一个特征编码器开始，这是一个简化的点网。它包含一系列卷积层、批处理范数层和relu层，后面是一个最大池化层。末端的散点层使用柱索引将提取的特征映射到二维空间。

接下来，该网络有一个由编码器-解码器块组成的二维CNN主干。每个编码器块由卷积层、批处理范数层和relu层组成，以提取不同空间分辨率的特征。每个译码块由转置卷积层、批处理范数层和relu层组成。

然后，网络将每个解码器块末端的输出特征连接起来，并将这些特征通过六个具有卷积和sigmoid层的探测头，以预测占用率、位置、大小、角度、航向和等级。

创建PointPillars网络

您可以使用深层网络设计师(深度学习工具箱)app来交互创建point柱子深度学习网络。要以编程方式创建pointcolumns网络，请使用pointPillarsObjectDetector对象。

转移学习

方法重新配置预先训练的pointcolumns网络pointPillarsObjectDetector对象执行迁移学习。指定新的对象类和相应的锚框，以便在新的数据集上训练网络。

训练pointcolumns对象检测器并执行对象检测

使用trainPointPillarsObjectDetector功能来训练PointPillars网络。若要在经过训练的pointcolumns网络上执行对象检测，请使用检测函数。有关如何训练pointcolumns网络的更多信息，请参见基于pointcolumns深度学习的激光雷达三维物体检测．

代码生成

要了解如何为PointPillars网络生成CUDA®代码，请参见基于pointcolumns深度学习的激光雷达目标检测代码生成．