PointRCNN源代码中的作者提及的预训练模型。[3D检测系列-PointRCNN]复现PointRCNN代码，并实现PointRCNN3D目标检测可视化，包含预训练权重下载链接（从0开始以及各种报错的解决方法）。有了该模型就无需自己在训练，可以直接用这个模型对网络进行检测和再训练。并且可以参考我的另一篇博文进行网络复现和可视化操作。利用作者的预训练模型可以直接检测，将模型放在tools下面。复现博文地址：https://blog.csdn.net/Callme_TeacherPi/article/details/125963061

2D目标检测在自动驾驶领域存在很多问题，因为自动驾驶的空间首先是在3D层面上的，而且需要使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息。这一类检测称为3D目标检测。

OpenPCDet权重文件pv_rcnn_8369.pth

OpenPCDet权重文件pointpillar_7728.pth

OpenPCDet权重文件PartA2_free_7872.pth

OpenPCDet权重文件pointrcnn_iou_7875.pth

OpenPCDet权重文件second_iou7909.pth

初学者对于一篇点云3D目标检测论文的总结

在本文中，我们提出了一种新的深度神经网络。对于给定的三维传感器捕获的数据，它能够联合进行三维检测、跟踪和运动预测。 通过共同进行这些任务，我们的整体方法对于遮挡以及范围内的稀疏数据鲁棒性更强。 我们的方法在空间和时间上对3D鸟瞰图执行三维卷积，这在内存和计算方面都非常有效。 我们在北美几个城市拍摄的一个新的超大型数据集上进行的实验表明，我们可以大幅度超越最先进的技术。 重要的是，通过共享计算，我们可以在30毫秒内执行所有任务。

文中首先对基于深度学习的2D目标检测算法进行概述;其次根据图像、激光雷达、多传感器等不同数据采集方式,分析目前具有代表性和开创性的3D目标检测算法;结合自动驾驶的应用场景,对比分析不同 3D 目标检测算法的性能、优势和局限性;最后总结了3D目标检测的应用意义以及待解决的问题,并对 3D 目标检测的发展方向和新的挑战进行了讨论和展望。