针对3D目标检测点云处理方法存在下采样目标点少,小目标特征信息丢失的问题,提出改进的PointVoxel特征提取方法.首先,以当前先进3D目标检测PV-RCNN(Point-Voxel Feature Set Abstraction for 3D Object Detection)模型为基础,就point-ba...针对3D目标检测点云处理方法存在下采样目标点少,小目标特征信息丢失的问题,提出改进的PointVoxel特征提取方法.首先,以当前先进3D目标检测PV-RCNN(Point-Voxel Feature Set Abstraction for 3D Object Detection)模型为基础,就point-based (基于纯点云)采样后目标点数量较少的问题,提出C-FPS (基于中心最远点采样)算法,即通过图像筛选点云范围,根据标签设置对X增加一个归一化乘以中心点的偏移量,优化点云分布,提高下采样目标点数量;然后,针对voxel-based (基于体素)需要划分体素大小与特征提取平衡的问题,提出体素图像特征融合方法,通过多通道卷积神经网络提取目标图像特征,将多通道特征与voxel-based提取的点云特征进行融合,弥补划分大小导致的特征信息丢失;最后,在KITTI数据集上进行验证.实验表明,与PV-RCNN模型相比,在当前困扰计算机视觉中的小目标检测上,该特征提取方法有效地提升了对小目标的检测能力,对于小目标行人和骑行者,其平均识别精度均优于PV-RCNN模型,提升幅度分别达到了1.62%,1.81%.展开更多
文摘针对3D目标检测点云处理方法存在下采样目标点少,小目标特征信息丢失的问题,提出改进的PointVoxel特征提取方法.首先,以当前先进3D目标检测PV-RCNN(Point-Voxel Feature Set Abstraction for 3D Object Detection)模型为基础,就point-based (基于纯点云)采样后目标点数量较少的问题,提出C-FPS (基于中心最远点采样)算法,即通过图像筛选点云范围,根据标签设置对X增加一个归一化乘以中心点的偏移量,优化点云分布,提高下采样目标点数量;然后,针对voxel-based (基于体素)需要划分体素大小与特征提取平衡的问题,提出体素图像特征融合方法,通过多通道卷积神经网络提取目标图像特征,将多通道特征与voxel-based提取的点云特征进行融合,弥补划分大小导致的特征信息丢失;最后,在KITTI数据集上进行验证.实验表明,与PV-RCNN模型相比,在当前困扰计算机视觉中的小目标检测上,该特征提取方法有效地提升了对小目标的检测能力,对于小目标行人和骑行者,其平均识别精度均优于PV-RCNN模型,提升幅度分别达到了1.62%,1.81%.
