结合图采样和图注意力的3D目标检测方法

doi:10.3778/j.issn.1002-8331.2202-0075

摘要/摘要

摘要：在点云中进行三维目标检测时，小目标和复杂背景下目标的检测精度不足是突出的问题之一。针对该问题，提出了一种基于图采样和图注意力机制的三维点云目标检测方法。减小基准网络下采样体素大小以保持小目标的点云密度；引入图采样降低在点云中构造拓扑图的代价；通过对图采样前后的图分别嵌入自注意力机制，提高网络的特征提取能力。在基蒂数据集上与基准网络点GNN相比，对汽车目标在复杂场景上的检测精度提升了1.96%，对行人与骑行者目标在中等难度场景和复杂场景上的检测精度分别提升4.21%和2.57%；与点GNN？？？？？？？15%的训练时间。实验结果表明，设计的方法对于三维点云中小目标和复杂背景下目标的检测更加有效，图采样方法还能够提升模型的训练效率。

关键词: 点云, 3D目标，图神经网络, 图采样, 图注意力机制

摘要：对于点云中的三维物体检测任务，存在着小尺度或出现在复杂场景中的物体，这使得它们的检测精度较低。因此，提出了一种基于图形采样和图形注意机制的点云三维目标检测方法。该方法首先减小下采样体素的大小以保持小对象的点云密度，然后引入图采样技术以降低在点云中构建拓扑图进行特征提取的成本。最后，利用图采样前后图中嵌入的自关注机制来增强网络的特征提取能力。与KITTI数据集上的基准相比，该方法将硬场景中汽车的检测精度提高了1.96%，在中等场景和硬场景中，行人和骑车人的检测准确率分别提高了4.21%和2.57%。此外，该方法的训练时间减少了15%。这些都表明，在点云中检测小目标的准确性方面具有优越的性能，并且采样方法可以提高模型的训练效率。

关键词： 点云， 3D物体检测，图形神经网络，图形采样，图形注意机制

李文举, 储王慧, 崔柳, 苏攀, 张干. 结合图采样和图注意力的3D技术[J]。计算机工程与应用, 2023, 59(9): 237-244.

李文菊、CHU Wanghui、崔柳、苏攀、张干。结合图形采样和图形注意的三维目标检测方法[J]。计算机工程与应用，2023，59（9）：237-244。

参考文献

[1] 夏显召，朱世贤，周意遥，等.基于阈值的激光雷达K[J]。北京航空航天大学学报，2020，46（1）：115-121.
夏X Z，朱S X，周Y Y，等.基于阈值的LiDAR K均值聚类算法[J]。北京航空航天大学学报，2020,46（1）：115-121。
[2] 孙一珺，胡辉，李子钥，等.适用于点云数据的注意力机制研究[J] ●●●●。计算机工程与应用，2022，58（23）：254-260.
孙永杰，胡华，李振英，等.点云数据的注意机制研究[J]。计算机工程与应用，2022,58（23）：254-260。
[3] SHI S，WANG X，LI H.Pointrcnn:从点云生成和检测三维对象建议[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2019:770-779。
[4] QI C R，YI L，SU H，等.PointNet++：度量空间中点集的深度分层特征学习[C]//神经信息处理系统的进展，2017。
[5] ZHOU Y，TUZEL O.Voxelnet:基于点云的三维物体检测端到端学习[C]//IEEE计算机视觉和模式识别会议论文集，2018:4490-4499。
[6] TU J，WANG P，LIU F.PP-RCNN:用于三维实时目标检测的点柱特征集提取[C]//2021国际神经网络联合会议，2021:1-8。
[7] KIPF T N，WELLING M。图卷积网络的半监督分类[J]。arXiv:1609.029072016。
[8] 赵毅强，艾西丁·艾克白尔，陈瑞，等.基于体素化图卷积网络的三维点云目标检测方法[J] ●●●●。红外与激光工程，2021，50（10）：281-289.
赵永清，阿西丁·阿克巴，陈瑞，等.基于图卷积网络的体素三维点云目标检测方法[J]。红外与激光工程，2021,50（10）：281-289。
[9] SHI W J，RAGUNATHAN R.Point-GNN:点云中三维物体检测的图形神经网络[C]//IEEE/CVF计算机视觉和模式识别会议论文集，西雅图，华盛顿州，美国，2020:1711-1719。
[10] 刘Z，赵X，黄涛，等.Tanet：基于三重关注的点云鲁棒三维目标检测[C]//美国人工智能学会人工智能会议论文集，2020:11677-1684。
[11] LI B.3d点云车辆检测的全卷积网络[C]//2017 IEEE/RSJ智能机器人和系统（IROS）国际会议，2017:1513-1518。
[12] YANG B，LUO W，URTASUN R.Pixor:点云实时三维物体检测[C]//IEEE计算机视觉和模式识别会议论文集，2018:7652-7660。
[13] KUANG H，WANG B，AN J，et al.体素FPN：用于激光雷达点云三维物体检测的多尺度体素特征聚合[J]。传感器，2020,20（3）：704。
[14] 何聪，曾赫，黄静，等.基于点云的结构感知单阶段三维目标检测[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2020:11873-11882。
[15] CHEN X，MA H，WAN J，等.用于自动驾驶的多视图三维物体检测网络[C]//IEEE计算机视觉和模式识别会议论文集，2017:1907-1915。
[16] 何强，王泽，曾赫，等.SVGA-net：基于稀疏体素图的点云三维目标检测注意网络[J].arXiv:2006.040432020。
[17] PAIGWAR A，SIERRA-GONZALEZ D，ERKENT O，et al.Frustum-pointpollars:使用rgb相机和激光雷达进行三维物体检测的多阶段方法[C]//IEEE/CVF计算机视觉国际会议论文集，2021:2926-2933。
[18] 曾赫，周赫，SRIVASTAVA A，et al.GraphSAINT:基于图采样的归纳学习方法[C]//国际学习表征会议，2020。
[19] 王毅，郝琦。为GraphSAINT国际应用信息学会议设计更强大的GNN训练，并进行图形规范化。查姆：施普林格，2021:82-93。
[20] 维利科维奇P，CUCURULL G，CASANOVA A，等.图形注意网络[J]。统计，20181050:4。
[21]GEIGER A，LENZ P，STILLER C，等.视觉与机器人技术的融合：基蒂数据集[J]。国际机器人研究杂志，2013,32（11）：1231-1237。

结合图采样和图注意力的3D游戏

结合图形采样和图形注意的三维目标检测方法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	张婷, 张兴忠, 王慧民, 杨罡, 王大伟.基于图神经网络的变电站场景三维目标检测[J] ●●●●。计算机工程与应用, 2023, 59(9): 329-336.
[2]	孙爱晶, 王国庆.邻居关系感知的图卷积网络推荐模型[J] ●●●●。计算机工程与应用, 2023, 59(9): 112-122.
[3]	蔡正奕, 赵杰煜, 朱峰.融合图像特征的单阶段点云目标检测[J] ●●●●。计算机工程与应用, 2023, 59(9): 140-149.
[4]	兰红, 陈浩, 张蒲芬.集图卷积和三维方向卷积的点云分类分割模型[J] ●●●●。计算机工程与应用, 2023, 59(8): 182-191.
[5]	蒋玉英, 陈心雨, 李广明, 王飞, 葛宏义.图神经网络及其在图像处理领域的研究进展[J] ●●●●。计算机工程与应用, 2023, 59(7): 15-30.
[6]	王帅, 刘向阳.基于黎曼流形的野外综合地形路径规划方法[J] ●●●●。计算机工程与应用, 2023, 59(7): 92-101.
[7]	贾晓辉, 冯重阳, 刘今越.基于点云匹配的应收账饰面作业系统跟踪注册方法[J] ●●●●。计算机工程与应用, 2023, 59(6): 291-298.
[8]	杨笑笑, 柯琳, 陈智斌.深度强化学习求解车辆路径问题的研究综述[J] ●●●●。计算机工程与应用, 2023, 59(5): 1-13.
[9]	朱志国, 李伟玥, 姜盼, 周沛瑶.图神经网络会话推荐系统综述[J] ●●●●。计算机工程与应用, 2023, 59(5): 55-69.
[10]	杨春霞, 马文文, 陈启岗, 桂强.融合CNN-SAM网关的多标签文本分类模型[J] ●●●●。计算机工程与应用, 2023, 59(5): 106-114.
[11]	吴国栋, 王雪妮, 刘玉良.知识图谱增强的图神经网络推荐研究进展[J] ●●●●。计算机工程与应用, 2023, 59(4): 18-29.
[12]	李刚, 余正涛, 黄于欣.案件要素异构图的舆情新闻抽取式摘要[J] ●●●●。计算机工程与应用, 2023, 59(4): 112-119.
[13]	张冬冬, 郭杰, 陈阳.基于原始点云的三维目标检测算法[J] ●●●●。计算机工程与应用, 2023, 59(3): 209-217.
[14]	王永贵, 赵晓暄.结合自监督学习的图神经网络会话推荐[J] ●●●●。计算机工程与应用, 2023, 59(3): 244-252.
[15]	张杰, 甄柳琳, 徐硕, 翟东升.融合传递熵的图神经网络农产品期货预测模型[J] ●●●●。计算机工程与应用, 2023, 59(2): 321-328.