针对三维目标检测算法中存在的稀疏点误检率高,以及无法充分提取目标特征等问题,基于PointPillars提出一种融合注意力机制与残差网络的三维目标检测算法。在特征网络层中引入空间注意力机制,选择感兴趣的特征区域进行特征学习,减少背景...针对三维目标检测算法中存在的稀疏点误检率高,以及无法充分提取目标特征等问题,基于PointPillars提出一种融合注意力机制与残差网络的三维目标检测算法。在特征网络层中引入空间注意力机制,选择感兴趣的特征区域进行特征学习,减少背景点与噪点的干扰。将传统2D卷积替换为残差骨干网络,使特征在网络层之间的传播中更加快速有效,从而显著提高模型的特征提取能力。实验结果表明,在KITTI数据集moderate检测难度下,与基线模型相比,所提算法在汽车、行人和骑行者上的3D检测精度分别提高了2.32%、1.97%和3.27%,在Jetson Orin AGX设备上的单帧推理耗时约为102 ms,验证了改进算法的有效性。展开更多
文摘针对三维目标检测算法中存在的稀疏点误检率高,以及无法充分提取目标特征等问题,基于PointPillars提出一种融合注意力机制与残差网络的三维目标检测算法。在特征网络层中引入空间注意力机制,选择感兴趣的特征区域进行特征学习,减少背景点与噪点的干扰。将传统2D卷积替换为残差骨干网络,使特征在网络层之间的传播中更加快速有效,从而显著提高模型的特征提取能力。实验结果表明,在KITTI数据集moderate检测难度下,与基线模型相比,所提算法在汽车、行人和骑行者上的3D检测精度分别提高了2.32%、1.97%和3.27%,在Jetson Orin AGX设备上的单帧推理耗时约为102 ms,验证了改进算法的有效性。
