检索结果-内蒙古大学图书馆

智能系统学报 2025年第1期20卷 91-100页

作者：陆军鲁林超翟晓阳刘霜哈尔滨工程大学智能科学与工程学院黑龙江哈尔滨150001

针对当前两阶段的点云目标检测算法PointRCNN:3d object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3d目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。

关键词：深度学习 3d目标检测点云随机采样局部特征聚合注意力机制自动驾驶

来源：评论

学校读者我要写书评

暂无评论

通信延迟下车辆协同感知的3d目标检测方法

引用

计算机工程与应用 2025年第7期61卷 278-287页

作者：卢敏胡振宇中国民航大学计算机科学与技术学院天津300300 民航智慧机场理论与系统重点实验室天津300300

针对车辆协同感知3d目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3d目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合... 详细信息

针对车辆协同感知3d目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3d目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3d目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。

关键词：协同感知 3d目标检测通信延迟时空序列预测注意力机制特征融合

来源：评论

学校读者我要写书评

暂无评论

基于融合采样和深尺约束的单目3d目标检测

引用

计算机系统应用 2025年第4期34卷 34-44页

作者：孙虎成臧可青岛大学自动化学院青岛266071

针对单目图像中不同深度目标的尺度差异所导致的单目3d目标检测算法精度不佳的问题,提出一种基于融合采样和深尺约束的检测算法.首先,为增强采样特征对不同尺度目标的表征能力,构建多尺度特征融合模块(multi-scale fusion module,MFM),... 详细信息

针对单目图像中不同深度目标的尺度差异所导致的单目3d目标检测算法精度不佳的问题,提出一种基于融合采样和深尺约束的检测算法.首先,为增强采样特征对不同尺度目标的表征能力,构建多尺度特征融合模块(multi-scale fusion module,MFM),通过分层聚合和迭代聚合对不同层级、不同尺度的特征进行融合采样,从而提高对目标隐式尺度特征的提取能力.此外,构造深度尺度相关化模块(depth-scale correlation module,dSCM),利用深度与尺度之间的线性投影约束将不同尺度的目标补偿式放缩至同一特征水平,以此平衡模型对不同距离目标的关注度.基于KITTI数据集和Waymo数据集的定量结果表明,所提出的算法相较于同类算法在多种难度下的整体平均精度AP3d分别提升了1.56个百分点和3.07个百分点,验证了算法的有效性及泛化性,同时基于两类数据集的定性结果验证了该算法显著缓解了目标尺度差异对检测性能造成的影响.

关键词： 3d目标检测融合采样多尺度特征可变形卷积关注度平衡尺度放缩

来源：评论

学校读者我要写书评

暂无评论

基于点云自适应采样与点注意力的3d目标检测

引用

软件导刊 2025年第3期24卷 137-144页

作者：白彦彪黄影平梁振明崔健源胡雄飞上海理工大学光电信息与计算机工程学院上海200093

点云下采样与特征提取是基于激光雷达点云的自动驾驶3d目标检测算法中不可或缺的步骤。然而,传统的下采样方式对点云中所有的数据点都是无差别选择,这使得目标上的点被均匀稀释,点数较少的目标可能会丢失其全部点,且目前的点云特征提取... 详细信息

点云下采样与特征提取是基于激光雷达点云的自动驾驶3d目标检测算法中不可或缺的步骤。然而,传统的下采样方式对点云中所有的数据点都是无差别选择,这使得目标上的点被均匀稀释,点数较少的目标可能会丢失其全部点,且目前的点云特征提取方式只保留特征中相同维度的最大值,不能充分利用点云特征。为改进以上不足,提出一种基于激光雷达点云自适应下采样和点注意力特征聚合的3d目标检测方法。通过使用学习式的点云自适应下采样,可以获取数据点的类别信息,从而实现激光雷达点云的分类下采样。同时,使用点注意力特征聚合方法,依据点之间的注意力系数进行采样点的特征聚合,可以充分利用点云的特征信息。在KITTI数据集上中等难度场景中对车、行人和骑行者的检测精度分别达78.49%、44.82%、63.59%,验证了该方法的有效性。与其他方法相比,其对点数较少目标物体的检测精度有明显提升。

关键词： 3d目标检测激光雷达点云自适应下采样点注意力

来源：评论

学校读者我要写书评

暂无评论

自动驾驶模态融合相机-激光雷达3d目标检测

引用

自动化与仪表 2025年第3期40卷 115-117,127页

作者：李睿敏贾雄伟任小文潘福全西安交通工程学院机械与电气工程学院西安710300 青岛理工大学土木工程学院青岛266520

为了进一步解决3d目标图像与雷达信息异构特征难以匹配的问题,设计了一种面向自动驾驶模态融合的相机-激光雷达3d目标(3dMMF)检测方法。将约束条件引入到多维空间中,根据稀疏张量用于概率信息融合,利用最大池化方法与概率得分的预期目... 详细信息

为了进一步解决3d目标图像与雷达信息异构特征难以匹配的问题,设计了一种面向自动驾驶模态融合的相机-激光雷达3d目标(3dMMF)检测方法。将约束条件引入到多维空间中,根据稀疏张量用于概率信息融合,利用最大池化方法与概率得分的预期目标对应,获得最终融合效果。研究结果表明,与纯点云相比,所提方法在各项指标上实现了很大程度的改进,MAP平均提高6.23%,在简化效果方面达到了最优状态。所提方法增强后的预传输延迟降低95.35%,在两级融合网络中具备最优探测性能,不需要占用过长的前置和后置时间。3dMMF可以有效提高三维目标控制性能,多层次融合方式有效解决视角错位和特征失配等问题。该研究有助于提高汽车自动驾驶能力,具有很高的科技推动价值。

关键词：自动驾驶多传感器融合 3d目标检测点云编码自注意力机制

来源：评论

学校读者我要写书评

暂无评论

融合多尺度特征和自适应NMS的3d目标检测

引用

电子测量技术 2025年第4期 191-198页

作者：张李辉刘紫燕贵州大学大数据与信息工程学院贵州大学公共大数据国家重点实验室

3d目标检测是自动驾驶感知系统的关键技术之一,能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3d检测精度较低的问题,提出一种基于多尺度特征和自适应非极大值抑制的3d目标检测算法。首先,设计... 详细信息

3d目标检测是自动驾驶感知系统的关键技术之一,能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3d检测精度较低的问题,提出一种基于多尺度特征和自适应非极大值抑制的3d目标检测算法。首先,设计多尺度特征提取器,以获取大、中、小尺度的特征。其次,设计多尺度检测头以生成不同尺寸目标的候选框,从而补充小目标候选框。为了平衡多尺度候选框的数量,设计一种基于ANMS的候选框筛选算法,提高了对不同尺寸目标的检测精度。在KITTI数据集上的结果表明,改进算法在确保汽车类目标检测精度的同时,对行人和骑行者的检测精度达到62.57%和73.30%,比基线算法高2.04%和1.33%,验证了改进算法在小目标检测方面具有较好的3d检测性能。

关键词： 3d目标检测多尺度特征自适应非极大值抑制

来源：评论

学校读者我要写书评

暂无评论

3d目标检测方法研究综述

引用

智能科学与技术学报 2023年第1期5卷 7-31页

作者：黄哲王永才李德英中国人民大学信息学院北京100872 警务物联网应用技术公安部重点实验室北京100048

3d目标检测是自动驾驶、虚拟现实、机器人等应用领域的重要基础问题,其目的是从无序点云中框取出描述目标最准确的3d框,例如紧密包围行人或车辆点云的3d框,并给出目标3d框的位置、尺寸和朝向。如今,基于双目视觉、RGB-d相机、激光雷达... 详细信息

3d目标检测是自动驾驶、虚拟现实、机器人等应用领域的重要基础问题,其目的是从无序点云中框取出描述目标最准确的3d框,例如紧密包围行人或车辆点云的3d框,并给出目标3d框的位置、尺寸和朝向。如今,基于双目视觉、RGB-d相机、激光雷达构建的纯点云的3d目标检测,融合图像和点云多模态信息的3d目标检测,是两类主要的方法。首先介绍了3d点云的不同表示形式和特征提取方法,然后从传统机器学习类算法、非融合深度学习类算法、基于多模态融合的深度学习类算法3个层面,逐层递进地介绍各类3d目标检测方法,对类别内部和各类之间的方法进行分析和对比,深入分析了各类方法之间的区别和联系,最后论述了3d目标检测仍存在的问题和可能的研究方向,并对3d目标检测研究的主流数据集和主要评价指标进行了总结。

关键词：深度学习 3d目标检测多模态融合点云自动驾驶

来源：评论

学校读者我要写书评

暂无评论

基于点云稀疏空间特征聚合激励的单阶段3d目标检测模型

引用

计算机辅助设计与图形学学报 2024年第5期36卷 721-733页

作者：鲁斌孙洋杨振宇华北电力大学控制与计算机工程学院保定071000 复杂能源系统智能计算教育部工程研究中心保定071000

针对目前基于点云的3d目标检测中单阶段体素法存在感受野固定、特征尺度单一,导致模型对点云特征学习不够充分、模型检测效果存在瓶颈等问题,提出了一种可端对端训练的基于体素的单阶段3d目标检测模型.首先,利用多尺度稀疏空间特征聚合... 详细信息

针对目前基于点云的3d目标检测中单阶段体素法存在感受野固定、特征尺度单一,导致模型对点云特征学习不够充分、模型检测效果存在瓶颈等问题,提出了一种可端对端训练的基于体素的单阶段3d目标检测模型.首先,利用多尺度稀疏空间特征聚合模块,聚合点云在不同稀疏空间尺度上的特征,使特征充分保留点云的空间信息;然后,对特征进行分层激励,通过多尺度感受野对特征进行分层学习,强化特征的表达能力,降低噪声信息对检测结果的影响;最后,将特征输入检测头进行候选框的分类和回归.在公开的自动驾驶数据集KITTI上与主流单阶段3d目标检测模型进行了对比实验,包含对3类目标共9个的难度等级目标的检测.所提模型在其中5个等级中的平均准确率有明显提升,尤其对点云稀疏的目标,表现出较好的检测效果.实验结果表明,所提模型能够充分提取点云空间信息并有效地学习点云多尺度特征.

关键词： 3d目标检测激光雷达点云多尺度稀疏空间特征聚合分层激励

来源：评论

学校读者我要写书评

暂无评论

一种基于透视投影的单目3d目标检测网络

引用

机器人 2020年第3期42卷 278-288页

作者：张峻宁苏群星刘鹏远谷宏强王威陆军工程大学河北石家庄050003 陆军指挥学院江苏南京210016 陆军装备部驻南京地区军事代表局驻无锡地区军事代表室江苏无锡214035

针对单目3d目标检测网络训练约束少、模型预测精度低的问题,通过网络结构改进、透视投影约束建立以及损失函数优化等步骤,提出了一种基于透视投影的单目3d目标检测网络.首先,在透视投影机理的基础上,利用世界、相机以及目标三者之间的... 详细信息

针对单目3d目标检测网络训练约束少、模型预测精度低的问题,通过网络结构改进、透视投影约束建立以及损失函数优化等步骤,提出了一种基于透视投影的单目3d目标检测网络.首先,在透视投影机理的基础上,利用世界、相机以及目标三者之间的变换关系,建立一种利用消失点(VP)求解3d目标边界框的模型;其次,运用空间几何关系和先验尺寸信息,将其简化为方位角、目标尺寸与3d边界框的约束关系;最后,根据尺寸约束的单峰、易回归优势,进一步提出一种学习型的方位角―尺寸的损失函数,提高了网络的学习效率和预测精度.在模型训练中,针对单目3d目标检测网络未约束3d中心的缺陷,基于3d边界框和2d边框的空间几何关系,提出联合约束方位角、尺寸、3d中心的训练策略.在KITTI和SUN-RGBd数据集上进行实验验证,结果显示本文算法能获得更准确的目标检测结果,表明在3d目标检测方面该方法比其他算法更有效.

关键词：深度学习 3d目标检测透视投射消失点损失函数联合训练

来源：评论

学校读者我要写书评

暂无评论

基于Transformer的融合信息增强3d目标检测算法

引用

仪器仪表学报 2023年第12期44卷 297-306页

作者：金宇锋陶重犇苏州科技大学电子与信息工程学院苏州215009 清华大学汽车研究院苏州215134

针对当前3d目标检测算法将不同模态数据融合时会产生错位现象,从而破坏数据之间的关联性并造成数据损失的问题,提出了一种基于Transformer的融合信息增强3d目标检测算法。首先设计了Transformer双域融合特征区域建议模块,利用变形注意... 详细信息

针对当前3d目标检测算法将不同模态数据融合时会产生错位现象,从而破坏数据之间的关联性并造成数据损失的问题,提出了一种基于Transformer的融合信息增强3d目标检测算法。首先设计了Transformer双域融合特征区域建议模块,利用变形注意力机制,将提取到的雷达点云特征和图像特征进行双域特征融合,用于生成3d预选框;其次,通过设计的深度补全机制的特征信息增强模块,补全密集的深度和特征语义信息来完成框的细化;最后,设计了多模态特征交叉注意力模块,采用动态交叉注意力机制来获得不同模态间的相关性,从而将特征信息有效对齐融合。在Kitti、Nuscences和Waymo数据集上的实验结果证明了该算法的有效性和通用性。大量的消融实验证明了该算法各个模块的有效性。在实车平台上的实验结果表明,该算法在复杂的实际环境中具有优秀的鲁棒性。

关键词： 3d目标检测 Transformer 深度补全多模态融合自动驾驶

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：