S2*-ODM:用于自动驾驶的双阶段改进的PointPillar基于特征的3D对象检测方法
Chen Hua1,2, Xiaokun Zheng3, Xinkai Kuang2,4
1School of Electrical Information Engineering, Changzhou Institute of Technology, Changzhou 213031, China.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这项研究引入了一种改进的自动驾驶3D物体检测方法,提高了挑战性封闭场景的准确性. 这种新的方法显著减少了细分不足和错误检测,提高了安全性.
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:
- 目前PointPillar用于3D对象检测的方法与低分段,重叠的对象和错误检测,特别是在封闭的环境中扎.
- 准确的3D物体检测对于自动驾驶系统的安全性和可靠性至关重要.
研究的目的:
- 开发一种新的双阶段改进的PointPillar基于特征的3D对象检测方法 (S2*-ODM),以克服现有方法的局限性.
- 增强对局部结构和全球分布的认识,以便在复杂场景中更好地对象区分.
主要方法:
- 引入了一个双阶段支柱特征编码 (S2-PFE) 模块,集成跨支柱和支柱内部的关系特征.
- 将注意力机制纳入骨干网络,通过强调关键特征和抑制不相关的特征来完善特征提取.
主要成果:
- 在KITTI数据集上,S2*-ODM方法表现出比基线优越的性能.
- 在检测准确度方面取得了显著的改进:汽车+1.04%,行人+2.17%,骑自行车+3.72%.
结论:
- 拟议的S2*-ODM显著提高了自动驾驶3D物体检测的准确性和可靠性.
- 双阶段支柱功能编码和注意力机制是提高在封闭和重叠场景中的性能的关键创新.
