计算机科学››2024,第51卷››问题(5): 162-171.数字对象标识:1896年10月10日/jsjkx.230300113
•计算机图形和多媒体• 以前的文章 下一篇文章
姜英杰、杨文霞、方熙、韩欢
收到:
修订过的:
在线:
出版:
关于作者:
支持单位:
摘要:由于点云数据的高度稀疏性,目前基于点云的三维目标检测方法不足以学习局部特征,并且点云数据中包含的一些无效信息会干扰目标检测。针对上述问题,提出了一种基于边缘卷积(EdgeConv)和瓶颈注意模块(BAM)的三维对象检测模型。首先,通过创建K(K)-针对点云中每个点的最近邻图结构,在特征空间上构造多层边缘卷积来学习点云的多尺度局部特征。其次,为三维点云数据设计了一个瓶颈注意模块(BAM),每个BAM由一个通道注意模块和一个空间注意模块组成,以增强对目标检测有价值的点云信息,旨在加强所提模型的特征表示。该网络使用VoteNet作为基线,在PointNet++和投票模块之间依次添加多层边缘卷积和BAM。在两个基准数据集SUN RGB-D和ScanNetV2上,对该模型进行了评估,并与其他13种最新方法进行了比较。实验结果表明,在SUN RGB-D数据集上,该模型达到了最高的0.5毫安培,和最高AP@0.25床、椅子和桌子等十类中的六类。在ScanNetV2数据集上,该模型在IoU 0.25和0.5下的mAP方面优于其他13种方法,并达到最高AP@0.25椅子、沙发和图画等18个类别中的10个。与基线VoteNet相比mAP@0.25在两个数据集上,该模型的性能分别提高了6.5%和12.9%。进行烧蚀研究以验证每个成分的作用。
关键词: 3D物体检测, 点云, 边缘卷积, 瓶颈关注模块, VoteNet, SUN RGB-D数据集, ScanNetV2数据集
CLC编号:
姜英杰、杨文霞、方熙、韩欢。基于边缘卷积和点云瓶颈注意模块的三维目标检测[J]。计算机科学,2024,51(5):162-171。
0 / / 推荐
添加到引文管理器 尾注|样板客户经理|ProCite公司|BibTeX公司|参考Works
网址: https://www.jsjkx.com/EN/10.11896/jsjkx-230300113
https://www.jsjkx.com/EN/Y2024/V51/I5/162
引用