基于稀疏自注意力图神经网络的三维目标检测OA北大核心
三维目标检测是自动驾驶环境感知中最重要的技术之一。为了解决远距离漏检问题,提升三维目标检测的效果,提出一种基于稀疏自注意力图神经网络的三维目标检测方法(SSA-GNN),在采样关键点阶段,提出动态区域并行采样法,通过采样区域过滤,场景划分为扇区,融合动态最远体素采样的方式,以保持关键点均匀分布、加速采样同时提升前景点比例。在细化建议框阶段,利用图神经网络在点之间建立联系,通过迭代的消息传递来更好地建模上下文信息和聚合领域信息,并改进多头自注意机制来更好地关注特征聚合后领域中的重要关系,从而提高算法检测性能。SSA-GNN在KITTI公开数据集上进行测试,与基线网络PointPillars、SECOND和PointRCNN相比,在困难等级指标下,Car类平均精度分别提升了7.95、5.50、6.94个百分点,结果表明SSA-GNN可有效提升三维目标检测性能。
彭志辰;封岸松;王天柱;邵鑫喆;库涛
沈阳化工大学信息工程学院,沈阳110142 中国科学院网络化控制系统重点实验室,沈阳110016 中国科学院沈阳自动化研究所,沈阳110016 中国科学院机器人与智能制造创新研究院,沈阳110169沈阳化工大学信息工程学院,沈阳110142沈阳化工大学信息工程学院,沈阳110142 中国科学院网络化控制系统重点实验室,沈阳110016 中国科学院沈阳自动化研究所,沈阳110016 中国科学院机器人与智能制造创新研究院,沈阳110169中国科学院网络化控制系统重点实验室,沈阳110016 中国科学院沈阳自动化研究所,沈阳110016 中国科学院机器人与智能制造创新研究院,沈阳110169 中国科学院大学,北京100049中国科学院网络化控制系统重点实验室,沈阳110016 中国科学院沈阳自动化研究所,沈阳110016 中国科学院机器人与智能制造创新研究院,沈阳110169
计算机与自动化
三维目标检测关键点采样图神经网络稀疏自注意力
《计算机工程与应用》 2025 (3)
P.295-305,11
国家重点研发计划(2020YFB1708503)。
评论