基于原始点云网格自注意力机制的三维目标检测方法OACSCD
Grid self-attention mechanism 3D object detection method based on raw point cloud
为了增强感兴趣区域(RoI)的特征表达,包括空间网格特征编码模块和软回归损失,提出了一种基于原始点云网格自注意力机制的三维目标检测方法GT3D.网格特征编码模块用于通过自注意力机制对点的局部特征和空间特征进行有效加权,充分考虑点云之间的几何关系,以提供更准确的特征表达;软回归损失用于改善数据标注过程中由于标注不准确而产生的回归歧义问题.将所提方法在公开的三维目标检测数据集KITTI上进行实验.结果表明,所提方法相比其他已公开的基于点云的三维目标检测方法检测准确率提升明显,并提交了KITTI官方测试集进行公开测试,对简单、中等和困难 3 个难度等级的汽车检测准确率分别达到 91.45%、82.76%和79.74%.
鲁斌;孙洋;杨振宇
华北电力大学计算机系,河北 保定 071003||复杂能源系统智能计算教育部工程研究中心,河北 保定 071003华北电力大学计算机系,河北 保定 071003||复杂能源系统智能计算教育部工程研究中心,河北 保定 071003华北电力大学计算机系,河北 保定 071003||复杂能源系统智能计算教育部工程研究中心,河北 保定 071003
计算机与自动化
三维目标检测点云自注意力机制空间坐标编码软回归损失
3D object detectionpoint cloudself-attention mechanismspatial coordinate encodingsoft regression loss
《通信学报》 2023 (10)
72-84,13
国家自然科学基金资助项目(No.62371188)河北省在读研究生创新能力培养基金资助项目(No.CXZZBS2023153)The National Natural Science Foundation of China(No.62371188),Hebei Province Postgraduate Innovation Capability Training Project(No.CXZZBS2023153)
评论