基于稀疏自注意力图神经网络的三维目标检测

• Published in: 计算机工程与应用 Vol. 61; no. 3; pp. 295 - 305
• Main Authors: 彭志辰, 封岸松, 王天柱, 邵鑫喆, 库涛
• Format: Journal Article
• Language: Chinese
• Published: 沈阳化工大学信息工程学院,沈阳 110142 01.02.2025; 中国科学院 沈阳自动化研究所,沈阳 110016; 中国科学院大学,北京 100049%中国科学院 网络化控制系统重点实验室,沈阳 110016; 中国科学院机器人与智能制造创新研究院,沈阳 110169%沈阳化工大学信息工程学院,沈阳 110142%中国科学院 网络化控制系统重点实验室,沈阳 110016; 中国科学院 网络化控制系统重点实验室,沈阳 110016; 中国科学院机器人与智能制造创新研究院,沈阳 110169
• Subjects: 三维目标检测; 图神经网络; 关键点采样; key point sampling; 稀疏自注意力; graph neural network; sparse self-attention; 3D object detection
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2309-0219

TP391; 三维目标检测是自动驾驶环境感知中最重要的技术之一.为了解决远距离漏检问题,提升三维目标检测的效果,提出一种基于稀疏自注意力图神经网络的三维目标检测方法(SSA-GNN),在采样关键点阶段,提出动态区域并行采样法,通过采样区域过滤,场景划分为扇区,融合动态最远体素采样的方式,以保持关键点均匀分布、加速采样同时提升前景点比例.在细化建议框阶段,利用图神经网络在点之间建立联系,通过迭代的消息传递来更好地建模上下文信息和聚合领域信息,并改进多头自注意机制来更好地关注特征聚合后领域中的重要关系,从而提高算法检测性能.SSA-GNN在KITTI公开数据集上进行测试,与基线网络PointPillars、SECOND和PointRCNN相比,在困难等级指标下,Car类平均精度分别提升了 7.95、5.50、6.94个百分点,结果表明SSA-GNN可有效提升三维目标检测性能.