【儀表網(wǎng) 研發(fā)快訊】近日，中國科學院合肥物質(zhì)院智能所王智靈研究員課題組提出了一種基于注意力機制和數(shù)據(jù)增強的點云3D目標檢測方法，有效提高了自動駕駛車輛對成像小目標的檢測性能。該研究成果被智能交通領域國際頂級期刊IEEE Transactions on Intelligent Transportation Systems 正式接收，并以“Early Access”的方式網(wǎng)絡首發(fā) 。
 

　　基于激光雷達點云的3D物體檢測對于自動駕駛至關重要。為了從稀疏無序的點云數(shù)據(jù)中提取信息，通常將點云轉(zhuǎn)換為偽圖像，使數(shù)據(jù)緊湊有序。然而，這些方法在特征提取能力上有限，并且在轉(zhuǎn)換過程中常常丟失關鍵信息，導致檢測精度下降，對成像較小的目標物體的檢測識別能力不足。
 

　　針對這些問題，研究團隊提出了一種新的3D目標方法SCNet3D，該方法從特征和數(shù)據(jù)兩個角度解決特征增強、信息保存和小目標檢測的問題。首先，方法引入了一個特征增強模塊(FEM)，使用注意力機制在三維空間中對特征進行加權，并逐層從局部到全局增強3D特征。其次，設計了一個STMod-Convolution網(wǎng)絡(SCNet)，通過兩個通道(一個用于基礎特征，一個用于高級特征)實現(xiàn)了對BEV偽圖像充分的特征提取和融合。此外，還通過一種具有形狀和距離感知能力的數(shù)據(jù)增強方法(SDAA)，在訓練過程中向點云添加更多包含豐富信息的樣本。對比實驗驗證了在目標成像小、干擾強的環(huán)境中該方法檢測性能具有明顯優(yōu)勢。
 

　　碩士研究生李軍儒為論文的第一作者，王智靈研究員為論文的通訊作者，碩士研究生龔殿城、王純純參與了相關工作。該項研究工作得到了安徽省重大科技專項的支持。
 

SCNet3D模型結構