典型文献
基于稀疏Transformer的雷达点云三维目标检测
文献摘要：
随着计算机视觉技术的发展,基于点云的三维目标检测算法被广泛应用于自动驾驶、机器人控制等领域.针对点云稀疏条件下基于点云三维目标检测算法鲁棒性较差、检测精度低的问题,提出基于稀疏Transformer的三维目标检测算法.在注意力矩阵生成阶段,通过稀疏Transformer模块显式选择Top-t个权重元素,以保留有利于特征提取的权重元素,在降低环境噪点对鲁棒性影响的同时加快Transformer模块的运行速度.在回归阶段,将基于空间特征粗回归模块生成的边界框作为检测头模块的初始锚框,用于后续边界框的精细回归操作.设计基于体素的三维目标检测算法的损失函数,以精确地衡量类别损失、位置回归损失和方向损失.在KITTI数据集上的实验结果表明,相比PointPillars算法,该算法的平均精度均值提高3.46％,能有效提高点云三维目标的检测精度且具有较优的鲁棒性.相比原始Transformer模块,所提稀疏Transformer模块在点云图像上的平均运行速度加快了约0.54 frame/s.
文献关键词：
机器视觉;三维目标检测;稀疏Transformer;粗回归;损失函数
中图分类号：
作者姓名：
韩磊;高永彬;史志才
作者机构：
上海工程技术大学 电子电气工程学院,上海 201600;上海市信息安全综合管理技术研究重点实验室,上海 200240
文献出处：
引用格式：
[1]韩磊;高永彬;史志才-.基于稀疏Transformer的雷达点云三维目标检测)[J].计算机工程,2022(11):104-110,144
A类：
粗回归
B类：
Transformer,三维目标检测,计算机视觉技术,目标检测算法,自动驾驶,机器人控制,检测精度,力矩,显式,Top,重元素,留有,噪点,运行速度,空间特征,边界框,检测头,锚框,损失函数,位置回归,KITTI,PointPillars,平均精度均值,高点,点云图像,frame,机器视觉
AB值：
0.265695
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。
