基于交叉自注意力机制的LiDAR点云三维目标检测

摘要：

针对基于深度学习的激光雷达(light detection and ranging,LiDAR)点云三维(3D)目标检测对小目标的检测精度较低和噪声干扰问题,提出一种基于交叉自注意力机制的3D点云目标检测方法 CSA-RCNN(cross self-attention region convolutional neural network).利用交叉自注意力(cross self-attention,CSA)同时学习点云的坐标和特征,并设计多尺度融合(multi-scale fusion,MF)模块自适应捕捉各层级多尺度特征.此外,还设计重叠采样策略对感兴趣目标区域选择性地重采样以获得更多前景点,有效降低了噪声采样.在广泛使用的KITTI数据集上进行算法性能测试,结果表明,本文方法对行人等小目标的检测精度有较大提升,平均精度均值相比PointRCNN等4种经典算法均获得提升,显著提高3D点云目标的检测性能.

关键词：三维(3D)目标检测、点云、交叉自注意力(CSA)、多尺度

所属期刊栏目：35

分类号：TP391.4(计算技术、计算机技术)

资助基金：天津市研究生科研创新项目2021YJSO2S27

在线出版日期：2024-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：75-83