.png){kind=icon}
返回
SLPOD: superclass learning on point cloud object detection
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-01781-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在点云目标检测领域，分类任务强调提取共性特征以增强泛化能力，但这往往以牺牲个体特异性特征为代价。这一局限性在处理KITTI等复杂数据集时尤为明显。传统模型难以充分捕获个体特异性特征，导致样本在特征空间中分布分散，进而影响目标边界框的精度。为应对这一挑战，我们提出了SLPOD（基于超类的点云目标检测算法）。SLPOD采用Siamese网络结构，对同一类别内的样本进行无监督聚类，以增强个体特异性特征的提取，从而在处理复杂数据集时提升检测精度。此外，我们的方法整合了体素与点云特征融合、全局特征获取以及基于点稀疏度的采样率动态调整等策略，进一步增强了网络的特征提取能力。实验结果表明，SLPOD在KITTI和Waymo数据集上的平均精度均值（mAP）均优于基线算法，并在多样化场景中展现出鲁棒性。
Keyword:
Point cloud object detection
Contrastive learning
Unsupervised learning
Deep learning
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
查看更多内容