科學(xué)島團(tuán)隊(duì)提出一種基于注意力機(jī)制和數(shù)據(jù)增強(qiáng)的點(diǎn)云3D目標(biāo)檢測(cè)方法

近日，中國(guó)科學(xué)院合肥物質(zhì)院智能所王智靈研究員課題組提出了一種基于注意力機(jī)制和數(shù)據(jù)增強(qiáng)的點(diǎn)云3D目標(biāo)檢測(cè)方法，有效提高了自動(dòng)駕駛車輛對(duì)成像小目標(biāo)的檢測(cè)性能。該研究成果被智能交通領(lǐng)域國(guó)際頂級(jí)期刊IEEE Transactions on Intelligent Transportation Systems 正式接收，并以“Early Access”的方式網(wǎng)絡(luò)首發(fā) 。

基于激光雷達(dá)點(diǎn)云的3D物體檢測(cè)對(duì)于自動(dòng)駕駛至關(guān)重要。為了從稀疏無(wú)序的點(diǎn)云數(shù)據(jù)中提取信息，通常將點(diǎn)云轉(zhuǎn)換為偽圖像，使數(shù)據(jù)緊湊有序。然而，這些方法在特征提取能力上有限，并且在轉(zhuǎn)換過(guò)程中常常丟失關(guān)鍵信息，導(dǎo)致檢測(cè)精度下降，對(duì)成像較小的目標(biāo)物體的檢測(cè)識(shí)別能力不足。

針對(duì)這些問(wèn)題，研究團(tuán)隊(duì)提出了一種新的3D目標(biāo)方法SCNet3D，該方法從特征和數(shù)據(jù)兩個(gè)角度解決特征增強(qiáng)、信息保存和小目標(biāo)檢測(cè)的問(wèn)題。首先，方法引入了一個(gè)特征增強(qiáng)模塊（FEM），使用注意力機(jī)制在三維空間中對(duì)特征進(jìn)行加權(quán)，并逐層從局部到全局增強(qiáng)3D特征。其次，設(shè)計(jì)了一個(gè)STMod-Convolution網(wǎng)絡(luò)（SCNet），通過(guò)兩個(gè)通道（一個(gè)用于基礎(chǔ)特征，一個(gè)用于高級(jí)特征）實(shí)現(xiàn)了對(duì)BEV偽圖像充分的特征提取和融合。此外，還通過(guò)一種具有形狀和距離感知能力的數(shù)據(jù)增強(qiáng)方法（SDAA），在訓(xùn)練過(guò)程中向點(diǎn)云添加更多包含豐富信息的樣本。對(duì)比實(shí)驗(yàn)驗(yàn)證了在目標(biāo)成像小、干擾強(qiáng)的環(huán)境中該方法檢測(cè)性能具有明顯優(yōu)勢(shì)。

SCNet3D模型結(jié)構(gòu)