.png){kind=icon}
返回
Research on 3D target detection algorithm for laser point cloud based on VP-SECOND network
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/add28c.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
激光点云目标检测算法在复杂场景中进行目标特征提取时效果不足，可能导致远程小型目标和遮挡场景的检测精度降低。为解决此问题，本文提出了一种三维目标检测网络VP-SECOND，该网络集成了体素自注意力辅助网络和极化自注意力（PSA）。该网络以SECOND作为基础网络结构，首先，在体素编码阶段，设计了一个可变形体素特征编码模块以替代传统编码模块；其次，在特征提取阶段，将Transformer应用于体素级别，并设计了一个具有独特编码能力和扩展感受野能力的体素Transformer网络，通过快速体素查询有效提高了相关体素搜索的效率；最后，在2D骨干网络部分引入PSA，使模型能够学习更多非线性细节语义信息，并提高了网络在小型目标上的检测精度。在KITTI数据集上的实验结果表明，与基准算法相比，VP-SECOND在车辆、行人和骑行者上的mAP分别提升了8.40%、6.14%和13.12%，验证了VP-SECOND算法的有效性，并有效提升了模型在复杂场景中的检测性能。
Keyword:
3D object detection
LiDAR
voxel hash table
self attention mechanism
VSAA
PSA
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
.png){kind=icon}
Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers从序列到序列的角度重新思考语义分割
OAAI
OAAI分享收藏分享收藏分享收藏分享收藏
查看更多内容