基于注意力和多尺度特征融合的有效3D物体探测器AMFF-Net
Guangping Li1, Zuanfang Mo1, Bingo Wing-Kuen Ling1
1School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了基于注意力的多尺度特征融合网络 (AMFF-Net),用于改进LiDAR 3D对象检测. 新型网络增强了小物体检测,并降低了自动驾驶系统中的计算负载.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 自动驾驶汽车的应用越来越依赖于精确的LiDAR点云3D物体检测.
- 基于Voxel的特征聚合方法显示出希望,但在背景点过和小物体检测方面存在困难.
- 现有的方法在复杂的3D场景中往往缺乏效率和精度.
研究的目的:
- 提出一个基于注意力和多尺度的特征融合网络 (AMFF-Net),用于增强LiDAR 3D对象检测.
- 为了改善小物体的检测,并减少自动驾驶中的计算开销.
- 为了提高复杂环境中3D物体检测的精度和效率.
主要方法:
- 开发了一种双注意力voxel特征提取器 (DA-VFE),采用点向和通道向的注意力来改进voxel特征.
- 实施了一个多尺度特征融合 (MFF) 模块,具有自我校准的卷积,残余结构,并将注意力协调为二维骨干.
- 集成的DA-VFE和MFF模块来增强特征提取和上下文信息捕获.
主要成果:
- 在nuScenes数据集上,AMFF-Net实现了62.8%的mAP,显著提高了小物体检测性能.
- 与基线方法相比,拟议的网络显示了计算开销的显著降低.
- 保持了可比的推断速度,同时提高了检测准确度.
结论:
- AMFF-Net有效地解决了背景点过和小物体检测在LiDAR 3D物体检测中的局限性.
- 该网络为自动驾驶系统提供了精度,效率和计算成本的卓越平衡.
- 在nuScenes和KITTI数据集上实现了最先进的性能.
