基于注意力机制的3D车辆检测算法

计算机工程与科学

基于注意力机制的3D车辆检测算法

万思宇

（上海交通大学电子信息与电气工程学院,上海 200240）

收稿日期:2019-07-20 修回日期:2019-08-30 出版日期:2020-01-25 发布日期:2020-01-25

A 3D vehicle detection algorithm

based on attention mechanism

WAN Si-yu

（School of Electronic Information and Electrical Engineering,Shanghai Jiao Tong University,Shanghai 200240,China）

Received:2019-07-20 Revised:2019-08-30 Online:2020-01-25 Published:2020-01-25

摘要/Abstract

摘要：

3D车辆检测是自动驾驶场景中的一个关键问题，涉及到3D目标检测与目标分类。目前的3D检测与分类网络对于所有输入的点云数据一视同仁，但在实际检测过程中，点云中不同点对于检测的重要程度可能并不相同。为了得到更好的检测结果，通过引入注意力机制来得到不同点的特征的权重，从而在回归时让部分点的特征得到更多的重视。实验表明，该算法在保证实时效率的前提下，与现有算法相比，具有更高的准确度。

关键词: 车辆检测, 注意力机制, 深度学习

Abstract:

3D vehicle detection is a key problem in automatic driving scene, which involves 3D object detection and 3D object classification. Current 3D detection and classification networks treat all input point cloud data equally. However, in the actual detection process, the importance of different points in the point cloud for detection may not be the same. In order to get better detection results, attention mechanism is introduced to get the weights of the features of different points, so that the features of some points can get more attentions in regression. Experiments show that the model has higher accuracy than the existing methods while maintaining real-time efficiency.

Key words: vehicle detection, attention mechanism, deep learning

万思宇. 基于注意力机制的3D车辆检测算法[J]. 计算机工程与科学.

WAN Si-yu.

A 3D vehicle detection algorithm

based on attention mechanism

[J]. Computer Engineering & Science.

编辑推荐

Metrics

阅读次数

全文

252

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	252	0	0

来源	本网站	其他网站

次数	235	17
比例	93%	7%

摘要

216

最新录用	在线预览	正式出版

216	0	0

	来源	本网站

	次数	216
	比例	100%

[1]	吴玉虹, 王建. 基于Patches-CNN的模拟电路故障诊断[J]. 计算机工程与科学, 2025, 47(01): 35-44.
[2]	徐超, 阮荣耀, 陈勇, . 一种基于区块链的医疗数据审计方法[J]. 计算机工程与科学, 2025, 47(01): 95-106.
[3]	陈兆波, 张琳, 马晓轩. 改进注意力混合自动编码器视频异常检测研究[J]. 计算机工程与科学, 2025, 47(01): 130-139.
[4]	陈欣然, 刘宁, 闫中敏, 刘磊, 崔立真. 基于注意力指导的双粒度跨模态医学特征学习框架[J]. 计算机工程与科学, 2025, 47(01): 150-159.
[5]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[6]	敬超, 闭玉申. 面向深度学习作业的干扰感知在线调度算法研究[J]. 计算机工程与科学, 2024, 46(12): 2138-2148.
[7]	付燕, 杨旭, 叶鸥. 基于CNN和Transformer特征融合的烟雾识别方法[J]. 计算机工程与科学, 2024, 46(11): 2045-2052.
[8]	余佳妮, 胡朝霞, 蒋从锋. 一种基于多特征的日志事件异常检测方法研究[J]. 计算机工程与科学, 2024, 46(09): 1587-1597.
[9]	陈磊, 梁正友, 孙宇, 蔡俊民. 多尺度特征融合的移动端单目深度估计研究[J]. 计算机工程与科学, 2024, 46(09): 1616-1524.
[10]	刘国岐, 何廷年, 荣艺煊, 李卓然. 基于用户轨迹和好友关系的兴趣点推荐[J]. 计算机工程与科学, 2024, 46(09): 1693-1701.
[11]	刘强, 李沐春, 伍晓洁, 王煜恒. S-JSMA：一种低扰动冗余的快速JSMA对抗样本生成方法[J]. 计算机工程与科学, 2024, 46(08): 1395-1402.
[12]	刘晓华, 徐茹枝, 杨成月. 一种基于多特征融合嵌入的中文命名实体识别模型研究[J]. 计算机工程与科学, 2024, 46(08): 1473-1481.
[13]	张永智, 何可人, 戈珏. 改进YOLOv7网络在低空遥感图像目标检测中的应用[J]. 计算机工程与科学, 2024, 46(07): 1269-1277.
[14]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[15]	王泽宇, 徐慧英, 朱信忠, 李琛, 刘子洋, 王子奕. 基于YOLOv8改进的密集行人检测算法：MER-YOLO[J]. 计算机工程与科学, 2024, 46(06): 1050-1062.