.png){kind=icon}
返回
Exploit Structure Context Information for 3D Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s42154-025-00435-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于LiDAR点云的3D目标检测在自动驾驶领域受到了越来越多的关注。许多现有方法通过采用“提议-精炼”两阶段框架实现了显著的性能提升，但其中大多数未能充分利用3D结构上下文信息。针对这一问题，本文提出了一种简单但有效的3D检测框架，包含两项创新设计。首先，我们引入同伦流形稀疏卷积骨干网络（HMSCB），通过整合几何增强分支来增强3D结构上下文特征的提取。其次，我们提出粗到精精炼模块（CFRM），该模块按粗到精的顺序引入3D结构上下文特征，并逐步修正由区域提议网络（RPN）生成的初始提议。具体而言，在精炼过程中，我们引入空间注意力机制以促进精炼步骤间的信息交换，并设计了精炼特征提取模块（RFEM），通过解耦3D结构上下文信息来提升最终特征表示能力。在KITTI数据集的车辆3D检测验证集和测试集上，我们的方法在中等难度级别分别实现了88.11%和82.05%的平均精度（AP），在具有挑战性的多类别Port数据集上达到了69.1%的平均平均精度（mAP），证明了所提方法的有效性。
Keyword:
3D object detection
Autonomous driving
LiDAR
Point clouds
期刊
A
IF:
5
论文数:
363
被引数:
1.0K
机构
引用论文
.png){kind=icon}
SP-Det: Leveraging Saliency Prediction for Voxel-Based 3D Object Detection in Sparse Point CloudSp-det: 在稀疏点云中利用显著性预测进行基于体素的3D目标检测
PREAI
分享收藏分享收藏
查看更多内容