.png){kind=icon}
返回
Research on Laser Point Cloud 3D Object Detection Based on Deep Learning
.png){kind=icon}
OA
AI
DOI：10.1007/s11760-025-04681-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于三维空间点云数据的物体检测在智能车辆领域正受到越来越多的关注。鉴于LiDAR数据具有稀疏性和非均匀分布的特性，漏检和误检现象仍会间歇性发生。因此，本文探索检测网络的结构以改善此问题。最初，本研究采用单阶段网络PointPillars作为基础基准，随后基于残差网络和自适应核卷积开发了一种复杂的三维点云物体检测算法RAK-Pillars。通过构建恒等映射增强了网络的特征提取能力，同时AKConv取代了常规卷积层，使网络能够采用不同参数的卷积核对各种形状和大小的卷积操作进行执行。实验结果表明，RAK-Pillars算法的检测性能显著优于基准网络，特别是在减少行人和骑行者的误检与漏检方面。此外，深度学习检测器算法在RAM-Pillars基础上进一步被考察。在PointPillars网络的原始检测头中，单个检测器同时学习车辆、自行车和行人的特征，而未处理它们尺寸信息的显著差异。本文引入多检测器框架，利用不同检测器针对每个类别以提升检测精度，并融入高效的通道注意力机制以进一步优化多类别多检测头的精度。实验结果证实，RAM-Pillars算法的检测效能得到进一步提升，对机动车目标的检测能力得到改善，同时保持了行人和骑行者的检测精度。采用校园内采集的实际车辆数据进行实验验证，表明该方法在满足实时处理要求的同时保持了高检测精度。
Keyword:
Point cloud data
Intelligent vehicles
LiDAR
3D object detection
Deep learning
期刊
IF:
2.1
论文数:
908
被引数:
4.6K
机构
暂无机构信息
引用论文
分享收藏An algorithm based on lightweight semantic features for ancient mural element object detection基于轻量级语义特征的古代壁画元素目标检测算法.png)
OAAI
IF0
OAAI分享收藏分享收藏PointRCNN: 3D Object Proposal Generation and Detection From Point CloudPointRCNN: 从点云生成和检测3D对象建议
OAAI
OAAI分享收藏VoxelNet: End-to-End Learning for Point Cloud Based 3D Object DetectionVoxelNet: 基于点云的3D物体检测的端到端学习OAAI
OAAI分享收藏
查看更多内容