近日，中國科學(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)檢測方法，有效提高了自動駕駛車輛對成像小目標(biāo)的檢測性能。該研究成果被智能交通領(lǐng)域國際頂級期刊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物體檢測對于自動駕駛至關(guān)重要。為了從稀疏無序的點(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)換過程中常常丟失關(guān)鍵信息，導(dǎo)致檢測精度下降，對成像較小的目標(biāo)物體的檢測識別能力不足。
 

　　針對這些問題，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)兩個角度解決特征增強(qiáng)、信息保存和小目標(biāo)檢測的問題。首先，方法引入了一個特征增強(qiáng)模塊(FEM)，使用注意力機(jī)制在三維空間中對特征進(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STMod-Convolution網(wǎng)絡(luò)(SCNet)，通過兩個通道(一個用于基礎(chǔ)特征，一個用于高級特征)實(shí)現(xiàn)了對BEV偽圖像充分的特征提取和融合。此外，還通過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)練過程中向點(diǎn)云添加更多包含豐富信息的樣本。對比實(shí)驗(yàn)驗(yàn)證了在目標(biāo)成像小、干擾強(qiáng)的環(huán)境中該方法檢測性能具有明顯優(yōu)勢。
 

　　碩士研究生李軍儒為論文的第一作者，王智靈研究員為論文的通訊作者，碩士研究生龔殿城、王純純參與了相關(guān)工作。該項(xiàng)研究工作得到了安徽省重大科技專項(xiàng)的支持。
 

SCNet3D模型結(jié)構(gòu)