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.

[1]	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.
[2]	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.
[3]	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.
[4]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[5]	邓翔宇, 裴浩媛, 盛迎. 基于网络融合的改进MobileViT人脸表情识别[J]. 计算机工程与科学, 2024, 46(06): 1072-1080.
[6]	张玉莹, 朱广丽, 谈光璞, . 基于情感增强和语义依存的金融隐式情感分析模型[J]. 计算机工程与科学, 2024, 46(06): 1112-1120.
[7]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[8]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[9]	赵金源, 贾迪. 改进YOLOv5的多人姿态估计修正算法[J]. 计算机工程与科学, 2024, 46(05): 852-860.
[10]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[11]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[12]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[13]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[14]	要媛媛, 刘宇航, 程雨菁, 彭梦晓, 郑文, . 融合多注意力机制的自监督小样本医学图像分割[J]. 计算机工程与科学, 2024, 46(03): 479-487.
[15]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.