典型文献
体素化点云场景下的三维目标检测
文献摘要：
基于激光雷达点云数据的三维目标检测算法受制于数据量大,无法实现速度与准确率的平衡.本文提出一种改进的三维目标检测算法Pillar RCNN.首先将目标点云空间划分为体素格,使用一种基于稀疏卷积的三维主干网络将体素格逐步转化为立柱体素,三维信息量化为致密的二维信息.然后使用二维主干网络提取特征,同时将三维骨干网络中不同尺度的体素特征与二维主干网络通过多尺度体素特征聚合模块进行特征级联,通过损失函数进一步细化检测框.算法在KITTI公开数据集上进行测试,在RTX 2080Ti硬件平台上识别速度为2.48 ms.汽车、行人、自行车3种类别的检测效果同PointPillars基准算法相比较,其中自行车中等难度检测效果提升13.34％,困难难度的车检测效果提升8.85％,其他类别的检测准确率指标也有所提升,实现了速度与准确率的平衡.
文献关键词：
计算机视觉;三维目标检测;体素;稀疏卷积;特征聚合
中图分类号：
作者姓名：
李瑞龙;吴川;朱明
作者机构：
中国科学院长春光学精密机械与物理研究所,吉林长春130033;中国科学院大学,北京100049
文献出处：
引用格式：
[1]李瑞龙;吴川;朱明-.体素化点云场景下的三维目标检测)[J].液晶与显示,2022(10):1355-1363
A类：
B类：
体素化,云场景,三维目标检测,激光雷达点云,点云数据,目标检测算法,受制于,数据量,RCNN,标点,空间划分,稀疏卷积,主干网络,立柱,柱体,三维信息,信息量化,提取特征,骨干网络,不同尺度,特征聚合,特征级联,损失函数,KITTI,公开数据集,RTX,2080Ti,硬件平台,ms,自行车,检测效果,PointPillars,效果提升,车检,检测准确率,计算机视觉
AB值：
0.394387
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
