• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    LiDAR 點(diǎn)云中融合點(diǎn)注意力機(jī)制的三維目標(biāo)檢測

    2023-10-08 06:38:10劉威莉朱德利駱華昊李益
    光子學(xué)報(bào) 2023年9期
    關(guān)鍵詞:體素特征提取卷積

    劉威莉,朱德利,駱華昊,李益

    (1 重慶師范大學(xué) 計(jì)算機(jī)與信息科學(xué)學(xué)院, 重慶 401331)

    (2 重慶市數(shù)字農(nóng)業(yè)服務(wù)工程技術(shù)研究中心, 重慶 401331)

    (3 重慶市畜牧科學(xué)院信息中心, 重慶 401331)

    0 引言

    隨著深度學(xué)習(xí)的快速發(fā)展,目標(biāo)檢測已經(jīng)在二維計(jì)算機(jī)視覺任務(wù)中取得了顯著的成就,然而實(shí)際場景中存在的光照變化、天氣條件、深度缺失等問題,僅僅依靠二維視覺感知無法解決[1]。由激光雷達(dá)獲取的三維數(shù)據(jù)不依賴自然光等條件,彌補(bǔ)了二維視覺領(lǐng)域存在的一些缺陷。三維目標(biāo)檢測作為三維場景感知中一個(gè)重要領(lǐng)域被廣泛研究[2],自動(dòng)駕駛領(lǐng)域的三維目標(biāo)檢測是實(shí)現(xiàn)自動(dòng)駕駛路徑規(guī)劃和安全避障的重要研究內(nèi)容[3]。隨著激光雷達(dá)技術(shù)的不斷進(jìn)步,以激光點(diǎn)云作為輸入的深度學(xué)習(xí)檢測器[4]也逐漸成熟,然而點(diǎn)云數(shù)據(jù)通常是稀疏和無序的,如何從不規(guī)則的點(diǎn)云中提取關(guān)鍵特征成為了三維目標(biāo)檢測任務(wù)中的一個(gè)關(guān)鍵性挑戰(zhàn)[5]。

    輸入的LiDAR 數(shù)據(jù)以點(diǎn)云的形式來表示,但由于點(diǎn)云非結(jié)構(gòu)化和非固定大小的特征,使其不能直接被3D 目標(biāo)檢測器處理,必須通過某種表達(dá)形式將其編碼為更緊湊的結(jié)構(gòu),目前主要分為兩種類型的表達(dá)形式:基于點(diǎn)(point-based)的方法和基于體素(voxel-based)的方法。QI C R 等[6]首先提出pointnet 網(wǎng)絡(luò)直接對(duì)無序點(diǎn)云進(jìn)行特征的學(xué)習(xí),隨后使用Max-pooling 聚合為全局特征。沿用pointnet 的思想,為了提取更有鑒別性的高維特征,pointnet++[7]采用球查詢半徑內(nèi)的領(lǐng)域點(diǎn),隨后每個(gè)局部點(diǎn)通過集合抽象(Set Abstraction,SA)層進(jìn)行多層次的特征提取。SHI S 等[8]提出的PointRCNN 算法是通過PointNet++進(jìn)行特征的提取,基于提取到的特征進(jìn)行前景和背景的分割,在每個(gè)前景點(diǎn)上進(jìn)行3D 框的預(yù)測,然后在提取到的目標(biāo)的基礎(chǔ)上進(jìn)一步細(xì)化。3DSSD[9]網(wǎng)絡(luò)則是利用SA 層對(duì)輸入的點(diǎn)云進(jìn)行降采樣后,利用Backbone 等網(wǎng)絡(luò)提取關(guān)鍵點(diǎn)的特征,并用其中的一部分來進(jìn)行投票,投票結(jié)果進(jìn)一步用SA 層進(jìn)行特征提取,最后利用該特征對(duì)檢測框的種類和位置進(jìn)行預(yù)測。此類方法在處理點(diǎn)云的過程中可以充分利用點(diǎn)云的幾何特征,以此來獲得更好的檢測性能,但在特征提取過程中消耗了大量的時(shí)間和計(jì)算資源。在基于體素的方法中,考慮到點(diǎn)云的稀疏性(即大約90%的體素都沒有點(diǎn))。VoxelNet[10]算法將點(diǎn)云劃分為等間距的規(guī)則體素,然后使用體素特征編碼(Voxel Feature Encoder, VFE)層將體素內(nèi)點(diǎn)的特征量化統(tǒng)一,再使用3D 卷積神經(jīng)網(wǎng)絡(luò)對(duì)體素進(jìn)行特征提取,最終使用RPN 網(wǎng)絡(luò)生成檢測框[11],但該算法由于體素?cái)?shù)量龐大,特征提取速度極慢。YAN Y 等[12]提出的SECOND 網(wǎng)絡(luò)將點(diǎn)云轉(zhuǎn)化為規(guī)則的體素并使用3D 稀疏卷積進(jìn)行提取特征,相比于VoxelNet 網(wǎng)絡(luò)加快了對(duì)點(diǎn)云特征的提取速度。LANG A H 等[13]提出的PointPillars 網(wǎng)絡(luò)則是將點(diǎn)云立柱化后轉(zhuǎn)化偽圖像,在保留三維特征的同時(shí)進(jìn)一步采用二維卷積提取高維特征,極大地加快了算法的運(yùn)行速度。基于體素的方法具有更高的檢測效率,但是檢測精度低于基于原始點(diǎn)云的方法。如何在保證檢測效率的基礎(chǔ)上,提高基于體素方法的檢測精度成為近年來的研究熱點(diǎn)。

    基于Pillar 編碼點(diǎn)云的三維目標(biāo)檢測算法中存在一定細(xì)粒度信息的丟失,而這些丟失的局部幾何信息對(duì)于檢測目標(biāo)是非常關(guān)鍵的[14]。王忠全[15]在PointPillars 的2D CNN 主干網(wǎng)絡(luò)上增加了4 個(gè)改進(jìn)后的有效通道注意力(Efficient Channel Attention, ECA)模塊提高三維目標(biāo)檢測精度。詹為欽等[16]引入2 種注意力機(jī)制,實(shí)現(xiàn)對(duì)偽圖中特征信息的放大和抑制。上述研究都是針對(duì)點(diǎn)云偽圖像高維特征提取模塊進(jìn)行的改進(jìn),未考慮在點(diǎn)云柱內(nèi)的特征學(xué)習(xí)機(jī)制?;诖?,本文基于PointPillars 提出了一種融合逐點(diǎn)空間注意力機(jī)制[17]和跨階段局部網(wǎng)絡(luò)(Cross Stage Partial Network, CSPNet)[18]的三維目標(biāo)檢測算法,以有效提高網(wǎng)絡(luò)的特征提取能力,保留深層次點(diǎn)云特征,提升網(wǎng)絡(luò)檢測目標(biāo)的準(zhǔn)確率。

    1 PointPliiars 網(wǎng)絡(luò)模型

    PointPillars 是一種單階段的3D 點(diǎn)云目標(biāo)檢測算法,使用原始點(diǎn)云作為輸入,通過在鳥瞰圖上劃分柵格,實(shí)現(xiàn)立柱形式的體素的劃分,隨后經(jīng)過降維處理生成偽圖像,利用二維卷積對(duì)特征進(jìn)行提取,極大地提高了檢測效率。針對(duì)KITTI 中car 類目標(biāo),PointPillars 很好地做到了在檢測性能和效率之間的平衡。算法的整體框架如圖1。

    圖1 PointPillars 算法整體框架Fig. 1 Overall framework of PointPillars algorithm

    該算法主要由三個(gè)核心模塊組成,1)支柱特征網(wǎng)絡(luò)(Pillar Feature Net, PFN)層:負(fù)責(zé)將三維點(diǎn)云轉(zhuǎn)換為稀疏偽圖像;2)2D BackBone 主干網(wǎng)絡(luò)層:通過二維卷積對(duì)點(diǎn)云偽圖像進(jìn)行特征提?。?)Detection Head(SSD)檢測頭層:預(yù)測目標(biāo)類別以及三維邊界框等信息。

    算法具體流程為:首先在支柱特征網(wǎng)絡(luò)層中將輸入的點(diǎn)云數(shù)據(jù)劃分為Pillars,每個(gè)Pillar 中的點(diǎn)云由包含坐標(biāo)、反射強(qiáng)度、幾何中心和相對(duì)位置等信息的10 維向量表示,之后用一個(gè)簡化版的PointNet 從D維原始數(shù)據(jù)中學(xué)習(xí)得到C維特征,得到一個(gè)(C,P,N)的張量,再使用maxpool 操作提取每個(gè)pillar 中最能代表該pillar 的點(diǎn),得到(C,P)維度數(shù)據(jù),之后利用scatter 算子,根據(jù)對(duì)應(yīng)位置關(guān)系將數(shù)據(jù)映射到相應(yīng)位置,實(shí)現(xiàn)三維數(shù)據(jù)向二維偽圖像的轉(zhuǎn)換;然后2D BackBone 主干網(wǎng)絡(luò)層對(duì)支柱特征網(wǎng)絡(luò)生成的點(diǎn)云偽圖像進(jìn)行高維特征提取,包括兩個(gè)分支,一支為自上而下的漸進(jìn)式下采樣分支,另一支為上采樣分支,通過反卷積將多尺度的特征圖上采樣到統(tǒng)一大小,并進(jìn)行拼接,得到最終的融合特征圖;最后在檢測頭層采用了類似SSD 的檢測頭來實(shí)現(xiàn)3D 目標(biāo)檢測,回歸3D 框的中心、尺寸和朝向角。具體為使用2D 聯(lián)合交叉(IoU)將先驗(yàn)框與地面真值相匹配,在2D 網(wǎng)絡(luò)中進(jìn)行目標(biāo)檢測,并通過回歸的方式得到Z軸坐標(biāo)和高度。

    2 改進(jìn)的PointPillars 算法

    原始PointPillars 網(wǎng)絡(luò)中Pillar 編碼的點(diǎn)云數(shù)據(jù)存在一定程度的信息丟失,沒有考慮到點(diǎn)云空間分布的局部幾何信息,對(duì)目標(biāo)檢測精度不高。本文在支柱特征網(wǎng)絡(luò)層中融入逐點(diǎn)空間注意力機(jī)制,抑制點(diǎn)云支柱中的噪聲,放大重要特征信息,提高對(duì)點(diǎn)云的特征提取能力;另外在降采樣模塊中使用可以分割梯度流的CSPNet 替換原降采樣中普通卷積塊,使梯度流在不同的網(wǎng)絡(luò)路徑中傳播,在減少計(jì)算量的同時(shí)提升網(wǎng)絡(luò)的檢測性能。改進(jìn)之后的整體網(wǎng)絡(luò)架構(gòu)如圖2。

    圖2 改進(jìn)后的PointPillars 算法整體框架Fig. 2 The overall framework of the improved PointPillars algorithm

    2.1 融入逐點(diǎn)空間注意力機(jī)制

    注意力機(jī)制是通過計(jì)算輸入數(shù)據(jù)的權(quán)重,提高某個(gè)重要因素對(duì)結(jié)果的影響力,抑制不重要因素的影響[19]。逐點(diǎn)空間注意力遵循自注意力的基本結(jié)構(gòu),從局部點(diǎn)圖的點(diǎn)空間捕捉更多形狀相關(guān)特征和長距離相關(guān)性。此外,該機(jī)制還應(yīng)用跳躍連接來加強(qiáng)輸入和輸出之間的關(guān)系,提高對(duì)特征的學(xué)習(xí),加強(qiáng)高層的語義信息。逐點(diǎn)空間注意力模塊整體結(jié)構(gòu)如圖3,使用兩個(gè)多層感知機(jī)(Multilayer Perceptron,MLP)將局部特征F轉(zhuǎn)換為特征X和Y,其中X,Y∈RC1,與文獻(xiàn)[20]中不同的是,用X和Y的轉(zhuǎn)置來進(jìn)行計(jì)算不同點(diǎn)云之間的關(guān)系,不需要對(duì)矩陣進(jìn)行重構(gòu),保持了原來的空間分布。最后利用softmax 對(duì)關(guān)系圖進(jìn)行歸一化,達(dá)到大小為N×N的空間注意圖S(N表示點(diǎn)的個(gè)數(shù)),表示為

    圖3 逐點(diǎn)空間注意力模塊結(jié)構(gòu)Fig. 3 Structure of point-wise spatial attention module

    式中,i和j分別表示點(diǎn)在X和Y中的位置,Sij是ith點(diǎn)對(duì)jth點(diǎn)的影響,· 表示矩陣乘法。當(dāng)兩個(gè)點(diǎn)的特征具有相似的語義信息時(shí),他們具有很強(qiáng)的相關(guān)性。同時(shí)局部特征F轉(zhuǎn)化為新特征Z∈RC2,通過MLP 層,然后是S和Z之間的矩陣乘法,并與特征F求和得到輸出Ffinal∈RN×C',表示為

    得到的Ffinal具有長距離相關(guān)性,并通過逐點(diǎn)空間注意力圖S有選擇性地聚合上下文,捕獲全局相關(guān)性。

    在PointPillars 的支柱特征網(wǎng)絡(luò)層中,由D維原始數(shù)據(jù)學(xué)習(xí)得到C維特征的感受野受限,過濾特征的各個(gè)單元不能利用其局部區(qū)域之外的上下文信息。為了解決這一問題,本文將重點(diǎn)放在全局空間關(guān)系上,捕獲深層次信息?;诖巳谌胍粋€(gè)逐點(diǎn)空間注意力模塊,它通過在點(diǎn)集中建立特征之間的關(guān)聯(lián)來捕捉全局依賴性。將Pillar 編碼后通過簡化版PointNet 提取特征的點(diǎn)云輸入至逐點(diǎn)空間注意力模塊中,增強(qiáng)了對(duì)點(diǎn)云特征提取的能力,同時(shí)可以有效避免冗余點(diǎn)云或噪聲點(diǎn)對(duì)特征的影響,加強(qiáng)了對(duì)點(diǎn)云覆蓋較少的特征描述,在一定程度上解決了基于Pillar 編碼點(diǎn)云的信息丟失問題,提高了三維目標(biāo)檢測的精度。

    2.2 CSPNet 改進(jìn)的偽圖像下采樣

    CSPNet 是將上一層得到的特征圖分割成兩部分,然后通過跨階段分層結(jié)構(gòu)進(jìn)行合并來實(shí)現(xiàn)的,主要概念是通過分割梯度流,使梯度流在不同的網(wǎng)絡(luò)路徑中傳播[21]。這樣的策略會(huì)大量減少計(jì)算量,加快模型的推理速度,有效增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力,提高模型檢測精度。

    PointPillars 中點(diǎn)云經(jīng)過體素特征編碼后通過Scatter 算子生成偽圖像,隨后對(duì)多尺度偽圖像提取特征。針對(duì)網(wǎng)絡(luò)對(duì)偽圖像特征提取能力不足的問題,選擇CSPNet 作為對(duì)點(diǎn)云偽圖像進(jìn)行高維特征提取的下采樣特征提取網(wǎng)絡(luò),進(jìn)行特征融合以有效增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,提高模型的準(zhǔn)確率。整體二維主干網(wǎng)絡(luò)如圖4,CSP1、CSP2、CSP3 均為CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)。CSPNet 和BottleNeck 網(wǎng)絡(luò)結(jié)構(gòu)如圖5,CSPNet 由多個(gè)1×1 的卷積組成,首先通過將偽圖像特征分成兩部分,一部分用普通卷積提取特征信息,另一部分通過1×1 的卷積和BottleNeck 層。具體做法是先進(jìn)行1×1 卷積將通道數(shù)減小一半,再通過3×3 卷積將通道數(shù)加倍,保證其輸入與輸出的通道數(shù)不發(fā)生改變,然后使用add 進(jìn)行特征融合,使得融合后的特征數(shù)不變。最后將兩部分的特征圖進(jìn)行Concat 拼接操作,使得融合前后的通道數(shù)不變,使用Silu 激活函數(shù),通道數(shù)等數(shù)據(jù)如表1。實(shí)驗(yàn)結(jié)果表明,CSPNet 有效增強(qiáng)了網(wǎng)絡(luò)的學(xué)習(xí)能力,并且提升了網(wǎng)絡(luò)檢測目標(biāo)的準(zhǔn)確率,此外,CSPNet 網(wǎng)絡(luò)的不同特征層的拼接重用還提高了模型對(duì)目標(biāo)的泛化性。

    表1 本文CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)Table 1 CSPNet network structure of this paper

    圖4 二維主干網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 2D backbone network structure

    圖5 CSPNet、BottleNeck 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 CSPNet, BottleNeck network structure

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    在KITTI 數(shù)據(jù)集[22]上對(duì)算法進(jìn)行驗(yàn)證,KITTI 數(shù)據(jù)集是目前自動(dòng)駕駛領(lǐng)域最重要的數(shù)據(jù)集之一[23],數(shù)據(jù)集內(nèi)包含市區(qū)、鄉(xiāng)村和高速公路等真實(shí)駕駛場景的數(shù)據(jù)圖像。KITTI 共有7 481 套訓(xùn)練樣本和7 518 個(gè)測試樣本,其中每個(gè)樣本場景中約包含16 384 個(gè)點(diǎn)。采用Chen[24]等對(duì)訓(xùn)練數(shù)據(jù)劃分的方式,將訓(xùn)練樣本又分為訓(xùn)練集3 712 套,驗(yàn)證集3 769 套。主要類別有車輛、行人和自行車三類。因?yàn)檐囕v類別數(shù)量較多且是樣本中最大的類別,并且擬應(yīng)用的場景為高速公路,所以本文只在車輛類別上進(jìn)行訓(xùn)練和測試。KITTI 結(jié)果統(tǒng)計(jì)時(shí),根據(jù)檢測目標(biāo)被遮擋情況、與當(dāng)前視點(diǎn)距離以及框的高度等參量,將結(jié)果分為簡單、中等和困難三種場景進(jìn)行統(tǒng)計(jì),具體數(shù)據(jù)劃分如表2。

    表2 三種場景下的數(shù)據(jù)劃分Table 2 Data division in three scenarios

    按照KITTI 官方評(píng)價(jià)指標(biāo),以平均精度(Average Precision, AP)評(píng)價(jià)3D 和BEV 場景下的檢測結(jié)果,作為檢測性能的評(píng)估指標(biāo)。采用的交并比(Intersection Over Union, IOU)閾值為0.7,使用40 個(gè)召回位置計(jì)算平均精度,計(jì)算表達(dá)式為

    3.2 實(shí)驗(yàn)參數(shù)與環(huán)境

    改進(jìn)算法基于OpenPCDet 框架實(shí)現(xiàn),訓(xùn)練時(shí)超參數(shù)設(shè)置如下:采用Adam 優(yōu)化器訓(xùn)練160 個(gè)epoch,batch size 為4,學(xué)習(xí)率為0.003。實(shí)驗(yàn)使用的點(diǎn)云范圍沿x、y、z軸,分別是W=[0 m,-39.68 m],H=[-3 m,69.12 m],D=[39.68 m,1 m]。體素尺度設(shè)置為vw=0.16,vh=0.16,vd=4。將MAX_POINT_PER_VOXEL 設(shè)置為32,作為每個(gè)體素中的最大點(diǎn)數(shù),同時(shí)MAX_NUMBER_OF_VOXELLS 訓(xùn)練時(shí)設(shè)置成16 000,測試時(shí)設(shè)置為40 000,作為最小批量中的最大非空體素?cái)?shù)。具體實(shí)驗(yàn)環(huán)境配置如表3。

    表3 實(shí)驗(yàn)環(huán)境配置Table 3 Experimental environment configuration

    3.3 實(shí)驗(yàn)結(jié)果分析

    3.3.1 對(duì)比實(shí)驗(yàn)

    為了評(píng)估改進(jìn)的網(wǎng)絡(luò)模型在KITTI 測試集上的精度性能,選擇F-PointNet、VoxelNet、SECOND、PointPillars、SegVoxelNet、TANet、PointRCNN、Part-A2算法進(jìn)行對(duì)比,表4 為在KITTI 測試集Car 類下,本文算法與其他算法的平均精度對(duì)比。

    表4 不同算法的AP 對(duì)比(%)Table 4 Comparison of AP for different methods(%)

    本文算法在簡單、中等、困難情況下的3D 平均檢測精度為88.52%、79.02%、76.22%,BEV 平均檢測精度為92.63%、88.53%、87.16%,均達(dá)到了最優(yōu)。改進(jìn)后的算法有較優(yōu)的檢測性能,尤其是在困難情況下的弱感知目標(biāo)樣本中有著較高的平均檢測精度并取得了最為顯著的精度提升幅度。同時(shí),表5 給出了本文算法和現(xiàn)有的其他幾種表現(xiàn)優(yōu)異的三維點(diǎn)云目標(biāo)檢測算法的推理速度,對(duì)比可知,本文算法在有效提升基準(zhǔn)網(wǎng)絡(luò)檢測精度的同時(shí)也保證了高效的推理速度,KITTI 數(shù)據(jù)采集設(shè)備的64 線激光雷達(dá)工作頻率是10 Hz,即1 s 處理獲取10 幀點(diǎn)云數(shù)據(jù),本文提出的算法每秒處理的點(diǎn)云數(shù)據(jù)大于10 幀,推理速度為0.037 2 frame·s-1,滿足實(shí)時(shí)性檢測的要求[29]。

    表5 不同算法的推理速度對(duì)比Table 5 Inference speed comparison among different methods

    3.3.2 消融實(shí)驗(yàn)

    為了驗(yàn)證所提出的兩個(gè)模塊對(duì)網(wǎng)絡(luò)性能的影響程度,通過消融實(shí)驗(yàn)來進(jìn)行說明。以下所有模型都在KITTI 數(shù)據(jù)集上進(jìn)行訓(xùn)練并測試,表6 和表7 分別給出了KITTI 驗(yàn)證集中消融實(shí)驗(yàn)的3D 和BEV 場景下的檢測性能數(shù)據(jù)。消融實(shí)驗(yàn)是以單獨(dú)模塊,兩個(gè)模塊結(jié)合來展示改進(jìn)點(diǎn)的貢獻(xiàn),PPPA 為融合了逐點(diǎn)空間注意力模塊,PPCSP 為CSPNet 改進(jìn)的偽圖像下采樣模塊。PPCSP+PPPA 為融合了逐點(diǎn)空間注意力機(jī)制和CSPNet 的三維目標(biāo)檢測算法。

    表6 在KITTI 測試集中消融實(shí)驗(yàn)的3D 檢測平均精度(%)Table 6 Average precision of 3D detection for ablation experiments in the KITTI test set(%)

    表7 在KITTI 測試集中消融實(shí)驗(yàn)的BEV 場景下檢測平均精度(%)Table 7 Average precision of detection in the BEV scenario of the KITTI test focused ablation experiment(%)

    消融實(shí)驗(yàn)結(jié)果表明:在PointPillars 網(wǎng)絡(luò)中加入逐點(diǎn)空間注意力模塊,可以捕獲全局相關(guān)性,有效抑制點(diǎn)云支柱中的噪聲,放大重要特征信息,增強(qiáng)對(duì)點(diǎn)云的特征提取能力,提高檢測精度;在網(wǎng)絡(luò)中使用CSPNet 對(duì)偽圖像下采樣進(jìn)行改進(jìn),使梯度流在不同的路徑中傳播,增強(qiáng)了算法的特征提取能力;PPCSP+PPPA 為加入兩個(gè)模塊后的檢測結(jié)果,在簡單、中等和困難級(jí)別下的3D 檢測精度分別為88.52%、79.02%和76.22%,與基準(zhǔn)網(wǎng)絡(luò)相比分別提升了2.23%,2.25% 和2.30%,BEV 場景下的平均檢測精度為92.63%,88.53%,87.16%,均高于基準(zhǔn)網(wǎng)絡(luò)。結(jié)果表明改進(jìn)后模型的檢測性能得到了顯著的提升,說明所使用的兩種改進(jìn)方法均具有有效性。

    3.3.3 結(jié)果可視化

    為了更加直觀地驗(yàn)證改進(jìn)網(wǎng)絡(luò)對(duì)于車輛檢測的有效性,圖6 給出了PointPillars 和改進(jìn)后網(wǎng)絡(luò)在KITTI測試集中目標(biāo)檢測的可視化對(duì)比結(jié)果。

    圖6 PointPillars 與本文算法的可視化結(jié)果對(duì)比Fig.6 Comparison of the visualization results of PointPillars and the algorithm in this paper

    圖6分別給出了四個(gè)不同場景下的PointPillars 目標(biāo)樣本(車輛)與本文算法目標(biāo)樣本的可視化結(jié)果對(duì)比圖,其中用紅色線圈標(biāo)識(shí)目標(biāo)車輛被誤檢的情況,用黃色線圈標(biāo)識(shí)目標(biāo)車輛被漏檢的情況,從中可以看出改進(jìn)算法在點(diǎn)云圖中誤檢率和錯(cuò)檢率更低。這是由于融合了逐點(diǎn)空間注意力機(jī)制和CSPNet 網(wǎng)絡(luò)的三維目標(biāo)檢測算法更加關(guān)注全局特征,減少了點(diǎn)云編碼過程中造成的信息丟失,并改善了降采樣模塊特征提取能力不足的問題。因此改進(jìn)后的PointPillars 比改進(jìn)前效果更好,在一定程度上消除了誤檢漏檢的情況,提升了網(wǎng)絡(luò)檢測的性能。

    4 結(jié)論

    本文基于PointPillars 提出一種融合逐點(diǎn)空間注意力機(jī)制和CSPNet 網(wǎng)絡(luò)的三維目標(biāo)檢測算法來實(shí)現(xiàn)對(duì)車輛的檢測。首先在簡化版PointNet 提取點(diǎn)云特征后,融入逐點(diǎn)空間注意力機(jī)制進(jìn)行有選擇地聚合上下文信息,捕獲全局相關(guān)性,進(jìn)一步提高點(diǎn)云特征學(xué)習(xí)的能力。其次將點(diǎn)云偽圖像進(jìn)行高維特征提取的降采樣模塊中普通卷積替換為CSPNet 網(wǎng)絡(luò),有效提高了卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力,保留了深層次點(diǎn)云特征。

    在高速公路的應(yīng)用場景下,以KITTI 中car 類作為檢測對(duì)象,在簡單、中等和困難級(jí)別下的3D 檢測精度分別為88.52%、79.02%和76.22%,與基準(zhǔn)網(wǎng)絡(luò)相比分別提升了2.23%,2.25%和2.30%。另外,采用消融實(shí)驗(yàn)分析驗(yàn)證了所提模塊的改進(jìn)能夠有效提高三維目標(biāo)檢測的性能。最后將算法與VoxelNet、SECOND、PointRCNN 等經(jīng)典三維目標(biāo)檢測算法的性能進(jìn)行了對(duì)比,本文所提算法性能較優(yōu),同時(shí)檢測速度也達(dá)到了實(shí)時(shí)檢測水平,對(duì)自動(dòng)駕駛技術(shù)的進(jìn)一步優(yōu)化和完善具有一定的積極意義。

    猜你喜歡
    體素特征提取卷積
    基于超體素聚合的流式細(xì)胞術(shù)自動(dòng)門控方法
    基于多級(jí)細(xì)分的彩色模型表面體素化算法
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    運(yùn)用邊界狀態(tài)約束的表面體素加密細(xì)分算法
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于體素格尺度不變特征變換的快速點(diǎn)云配準(zhǔn)方法
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    Bagging RCSP腦電特征提取算法
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    久久久久久伊人网av| 两性午夜刺激爽爽歪歪视频在线观看| 日韩欧美 国产精品| 国产私拍福利视频在线观看| 久久国内精品自在自线图片| 亚洲人成网站高清观看| 悠悠久久av| 亚洲av美国av| 一边摸一边抽搐一进一小说| 国产又黄又爽又无遮挡在线| 身体一侧抽搐| 久久精品综合一区二区三区| xxxwww97欧美| 两性午夜刺激爽爽歪歪视频在线观看| 少妇人妻一区二区三区视频| 女人十人毛片免费观看3o分钟| 欧美丝袜亚洲另类 | 亚洲一级一片aⅴ在线观看| 欧美激情在线99| 蜜桃亚洲精品一区二区三区| 久久久久国产精品人妻aⅴ院| 人人妻人人澡欧美一区二区| 18禁在线播放成人免费| 欧美成人免费av一区二区三区| 欧美日韩国产亚洲二区| 婷婷色综合大香蕉| 欧美黑人巨大hd| 中文字幕免费在线视频6| 伊人久久精品亚洲午夜| 最新中文字幕久久久久| 18禁裸乳无遮挡免费网站照片| 日本在线视频免费播放| 欧美三级亚洲精品| 色哟哟·www| 久9热在线精品视频| 亚洲人成网站高清观看| 日本黄大片高清| 国产成年人精品一区二区| 春色校园在线视频观看| 成人欧美大片| 2021天堂中文幕一二区在线观| 九九热线精品视视频播放| bbb黄色大片| 国产在线男女| 国产三级在线视频| 狠狠狠狠99中文字幕| 免费看av在线观看网站| 婷婷亚洲欧美| 日韩欧美三级三区| 国产成人aa在线观看| 日日夜夜操网爽| 我的老师免费观看完整版| 亚洲熟妇中文字幕五十中出| 很黄的视频免费| 国产亚洲精品综合一区在线观看| 美女大奶头视频| 免费观看人在逋| 一级av片app| 成人高潮视频无遮挡免费网站| 日韩中字成人| a在线观看视频网站| 久久国产精品人妻蜜桃| 亚洲 国产 在线| a级毛片免费高清观看在线播放| 国产成人av教育| 在线国产一区二区在线| 黄片wwwwww| 亚洲黑人精品在线| 天堂网av新在线| 三级国产精品欧美在线观看| 99在线人妻在线中文字幕| 午夜爱爱视频在线播放| 搞女人的毛片| 久久99热这里只有精品18| 中国美女看黄片| 国产在视频线在精品| 99视频精品全部免费 在线| 亚洲一级一片aⅴ在线观看| 毛片女人毛片| 中文资源天堂在线| 国产精品av视频在线免费观看| videossex国产| 国产又黄又爽又无遮挡在线| 日韩精品青青久久久久久| 嫩草影院精品99| 免费看av在线观看网站| 小说图片视频综合网站| 国国产精品蜜臀av免费| 亚洲精品456在线播放app | 一本一本综合久久| 国产精品不卡视频一区二区| 成人国产麻豆网| 一边摸一边抽搐一进一小说| av专区在线播放| 日韩一本色道免费dvd| 乱人视频在线观看| 亚洲久久久久久中文字幕| 三级男女做爰猛烈吃奶摸视频| 91麻豆精品激情在线观看国产| 国产精华一区二区三区| 亚洲成av人片在线播放无| 亚洲自拍偷在线| 99国产精品一区二区蜜桃av| 亚洲欧美日韩高清在线视频| 国产男靠女视频免费网站| 精品免费久久久久久久清纯| 直男gayav资源| 亚洲中文字幕日韩| 国产精品爽爽va在线观看网站| 欧美3d第一页| 九九在线视频观看精品| 露出奶头的视频| 成人二区视频| 九九在线视频观看精品| 日韩强制内射视频| 一级av片app| 国语自产精品视频在线第100页| 久久中文看片网| 久久久色成人| 亚洲五月天丁香| 国产大屁股一区二区在线视频| 亚洲中文字幕一区二区三区有码在线看| 免费高清视频大片| 麻豆av噜噜一区二区三区| 看免费成人av毛片| 香蕉av资源在线| 日韩亚洲欧美综合| 欧美激情国产日韩精品一区| 男女下面进入的视频免费午夜| 中文字幕熟女人妻在线| av在线天堂中文字幕| 深夜a级毛片| 国产成年人精品一区二区| 一边摸一边抽搐一进一小说| 色av中文字幕| 老司机深夜福利视频在线观看| 国语自产精品视频在线第100页| 12—13女人毛片做爰片一| 亚洲真实伦在线观看| 久久久成人免费电影| 亚洲精品国产成人久久av| 精品一区二区三区视频在线| 91麻豆av在线| 国产av一区在线观看免费| 国产麻豆成人av免费视频| 精品99又大又爽又粗少妇毛片 | 日韩精品中文字幕看吧| 久久国产乱子免费精品| 日韩强制内射视频| 亚洲成a人片在线一区二区| 成人永久免费在线观看视频| 午夜a级毛片| 日韩av在线大香蕉| 人妻久久中文字幕网| 久久久久免费精品人妻一区二区| 自拍偷自拍亚洲精品老妇| 天美传媒精品一区二区| 亚洲人与动物交配视频| 蜜桃久久精品国产亚洲av| 成年版毛片免费区| 美女大奶头视频| 亚洲av一区综合| 国产单亲对白刺激| 搡老熟女国产l中国老女人| 亚洲专区中文字幕在线| 久久久久久国产a免费观看| 无人区码免费观看不卡| 亚洲中文日韩欧美视频| 国产男靠女视频免费网站| 日韩强制内射视频| 99热6这里只有精品| 久久久久久久亚洲中文字幕| 日韩欧美在线乱码| 国产伦在线观看视频一区| 国产黄片美女视频| av在线观看视频网站免费| 久久精品影院6| 精品欧美国产一区二区三| 内地一区二区视频在线| 韩国av一区二区三区四区| 国产乱人视频| 精品久久国产蜜桃| 欧美xxxx黑人xx丫x性爽| 免费看av在线观看网站| 中文字幕高清在线视频| 全区人妻精品视频| 日本 av在线| 最近中文字幕高清免费大全6 | 一卡2卡三卡四卡精品乱码亚洲| 内射极品少妇av片p| 2021天堂中文幕一二区在线观| 露出奶头的视频| 男人和女人高潮做爰伦理| 又黄又爽又刺激的免费视频.| 小说图片视频综合网站| 色综合亚洲欧美另类图片| 日日干狠狠操夜夜爽| 亚洲久久久久久中文字幕| 亚洲va日本ⅴa欧美va伊人久久| 成人毛片a级毛片在线播放| 中文字幕av成人在线电影| 日本五十路高清| eeuss影院久久| 国产精品av视频在线免费观看| 国产精品久久久久久av不卡| 色综合婷婷激情| 热99在线观看视频| 干丝袜人妻中文字幕| 国产熟女欧美一区二区| 亚洲av第一区精品v没综合| 国产精品一区二区免费欧美| 午夜福利18| а√天堂www在线а√下载| 国产精品永久免费网站| 国语自产精品视频在线第100页| 永久网站在线| 欧美成人一区二区免费高清观看| 99久国产av精品| 中文字幕精品亚洲无线码一区| 国产激情偷乱视频一区二区| 此物有八面人人有两片| 日本精品一区二区三区蜜桃| 性色avwww在线观看| 欧美成人免费av一区二区三区| 白带黄色成豆腐渣| 一级a爱片免费观看的视频| 男女之事视频高清在线观看| 99久国产av精品| 在线观看舔阴道视频| 国产高清视频在线播放一区| 久久久久久国产a免费观看| aaaaa片日本免费| 国产激情偷乱视频一区二区| ponron亚洲| 91久久精品国产一区二区三区| 真人一进一出gif抽搐免费| 日韩大尺度精品在线看网址| 男女啪啪激烈高潮av片| 一个人免费在线观看电影| 亚洲久久久久久中文字幕| 三级男女做爰猛烈吃奶摸视频| 男人舔女人下体高潮全视频| 久久午夜福利片| 久久天躁狠狠躁夜夜2o2o| 国产精品久久电影中文字幕| 欧美三级亚洲精品| 亚洲av美国av| 成人av在线播放网站| 国产精品一区二区免费欧美| 国产一级毛片七仙女欲春2| 在线免费观看的www视频| 国产精品一区www在线观看 | av中文乱码字幕在线| 99九九线精品视频在线观看视频| 真人一进一出gif抽搐免费| 日韩欧美在线乱码| 亚洲久久久久久中文字幕| 免费观看在线日韩| 国产精品自产拍在线观看55亚洲| 成人亚洲精品av一区二区| 少妇高潮的动态图| av国产免费在线观看| 国模一区二区三区四区视频| 午夜福利成人在线免费观看| 欧美最新免费一区二区三区| 我的女老师完整版在线观看| 国产人妻一区二区三区在| 午夜精品一区二区三区免费看| 亚洲 国产 在线| 欧美日韩乱码在线| 欧美成人免费av一区二区三区| 日日摸夜夜添夜夜添小说| 久久精品人妻少妇| 亚洲av熟女| 一本精品99久久精品77| 老熟妇仑乱视频hdxx| 88av欧美| 国产日本99.免费观看| 国产白丝娇喘喷水9色精品| 久久热精品热| 我要看日韩黄色一级片| 岛国在线免费视频观看| 午夜久久久久精精品| 国产精品99久久久久久久久| 国产高清视频在线播放一区| 国产国拍精品亚洲av在线观看| 简卡轻食公司| 精品久久久久久久人妻蜜臀av| 欧美三级亚洲精品| 哪里可以看免费的av片| 狂野欧美白嫩少妇大欣赏| 中文字幕久久专区| 久久午夜福利片| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩综合久久久久久 | 露出奶头的视频| 日本 欧美在线| 99国产精品一区二区蜜桃av| 大又大粗又爽又黄少妇毛片口| 午夜免费成人在线视频| 搡老妇女老女人老熟妇| 又爽又黄a免费视频| av在线观看视频网站免费| 免费观看人在逋| 欧洲精品卡2卡3卡4卡5卡区| 亚洲av五月六月丁香网| 亚洲精品色激情综合| 男人和女人高潮做爰伦理| 又黄又爽又刺激的免费视频.| 日韩精品青青久久久久久| 床上黄色一级片| 亚洲人成伊人成综合网2020| 国产精品98久久久久久宅男小说| 88av欧美| 一级黄片播放器| av福利片在线观看| 麻豆国产97在线/欧美| 最后的刺客免费高清国语| 国产午夜精品论理片| 一级a爱片免费观看的视频| 男女之事视频高清在线观看| 联通29元200g的流量卡| 91av网一区二区| 乱系列少妇在线播放| 婷婷精品国产亚洲av| 综合色av麻豆| 国产大屁股一区二区在线视频| 国产av在哪里看| 午夜精品在线福利| 国产欧美日韩精品一区二区| 国产精品久久久久久精品电影| 久久精品国产亚洲网站| 九九在线视频观看精品| 我要搜黄色片| 人妻丰满熟妇av一区二区三区| 18禁黄网站禁片免费观看直播| 最近在线观看免费完整版| 老师上课跳d突然被开到最大视频| 国内精品一区二区在线观看| 91av网一区二区| 99国产精品一区二区蜜桃av| 亚洲av成人精品一区久久| 久久久午夜欧美精品| 成年人黄色毛片网站| 人妻丰满熟妇av一区二区三区| 嫩草影视91久久| 给我免费播放毛片高清在线观看| 欧美日本视频| 色吧在线观看| 国产单亲对白刺激| 夜夜看夜夜爽夜夜摸| 噜噜噜噜噜久久久久久91| 久久精品国产亚洲av天美| av天堂在线播放| 久9热在线精品视频| 看十八女毛片水多多多| 18禁在线播放成人免费| 国产又黄又爽又无遮挡在线| 自拍偷自拍亚洲精品老妇| 亚洲七黄色美女视频| 中文字幕久久专区| 日本免费一区二区三区高清不卡| 欧美日韩乱码在线| 又爽又黄a免费视频| 日本五十路高清| 一区二区三区免费毛片| 99久久精品一区二区三区| 日韩欧美国产一区二区入口| 男女视频在线观看网站免费| 久久人妻av系列| 亚洲专区中文字幕在线| 欧美性感艳星| 欧美最黄视频在线播放免费| 国产免费一级a男人的天堂| 亚洲狠狠婷婷综合久久图片| 亚洲av不卡在线观看| 全区人妻精品视频| 精品国产三级普通话版| 成人av在线播放网站| 在线国产一区二区在线| 91午夜精品亚洲一区二区三区 | 在线天堂最新版资源| 久久精品影院6| 能在线免费观看的黄片| 伦理电影大哥的女人| 久久精品综合一区二区三区| 婷婷丁香在线五月| 日本免费一区二区三区高清不卡| 国内揄拍国产精品人妻在线| 99riav亚洲国产免费| 午夜久久久久精精品| 亚洲色图av天堂| 搡女人真爽免费视频火全软件 | 99热网站在线观看| 国产精品一区www在线观看 | 国产一区二区激情短视频| 国产中年淑女户外野战色| 国产午夜福利久久久久久| 国产精品久久久久久精品电影| 淫秽高清视频在线观看| 久久久国产成人免费| 色av中文字幕| 亚洲国产精品合色在线| 国产免费av片在线观看野外av| 欧美日韩乱码在线| 一卡2卡三卡四卡精品乱码亚洲| 国产黄片美女视频| 午夜亚洲福利在线播放| 中文在线观看免费www的网站| 永久网站在线| 亚洲av美国av| 欧美中文日本在线观看视频| 一区二区三区高清视频在线| 观看美女的网站| 十八禁国产超污无遮挡网站| 日本五十路高清| 69av精品久久久久久| 中文字幕人妻熟人妻熟丝袜美| 白带黄色成豆腐渣| 91久久精品国产一区二区三区| 亚洲天堂国产精品一区在线| 自拍偷自拍亚洲精品老妇| 久99久视频精品免费| 亚洲av二区三区四区| 一夜夜www| 日韩一区二区视频免费看| 精品人妻偷拍中文字幕| 午夜精品一区二区三区免费看| 午夜影院日韩av| 日韩强制内射视频| 97热精品久久久久久| 网址你懂的国产日韩在线| av在线天堂中文字幕| 美女被艹到高潮喷水动态| 久久久午夜欧美精品| 狠狠狠狠99中文字幕| 国产av麻豆久久久久久久| 免费不卡的大黄色大毛片视频在线观看 | 午夜视频国产福利| 精品午夜福利在线看| 尤物成人国产欧美一区二区三区| 无遮挡黄片免费观看| 亚洲人成伊人成综合网2020| 国产高潮美女av| 国产亚洲精品久久久com| av福利片在线观看| 69av精品久久久久久| 内射极品少妇av片p| 亚洲性夜色夜夜综合| 成人精品一区二区免费| 欧美黑人欧美精品刺激| 天堂影院成人在线观看| 五月伊人婷婷丁香| 女人被狂操c到高潮| 精品人妻1区二区| 亚洲人与动物交配视频| 12—13女人毛片做爰片一| 久久国内精品自在自线图片| 欧美日韩综合久久久久久 | 亚洲人成网站高清观看| 99热网站在线观看| 午夜爱爱视频在线播放| 国产亚洲av嫩草精品影院| 黄色一级大片看看| 久久久久久久精品吃奶| 亚洲av二区三区四区| 两个人视频免费观看高清| 成人永久免费在线观看视频| 国产精品国产三级国产av玫瑰| 又爽又黄a免费视频| 丰满的人妻完整版| 色av中文字幕| 最新中文字幕久久久久| 国产久久久一区二区三区| 国产av在哪里看| 热99re8久久精品国产| 熟女电影av网| 国产成人影院久久av| 国产乱人伦免费视频| 欧美性猛交黑人性爽| 男女那种视频在线观看| 精品久久久久久久久亚洲 | 欧美精品啪啪一区二区三区| 黄色视频,在线免费观看| 99久久精品一区二区三区| 色噜噜av男人的天堂激情| 国产v大片淫在线免费观看| av中文乱码字幕在线| 亚洲成人久久爱视频| 亚洲成人免费电影在线观看| 国产伦人伦偷精品视频| 窝窝影院91人妻| 免费高清视频大片| 欧美高清性xxxxhd video| 男人舔女人下体高潮全视频| 久久草成人影院| 亚洲欧美日韩无卡精品| 亚洲一区高清亚洲精品| 午夜免费成人在线视频| 国产成人av教育| 亚洲专区中文字幕在线| 三级毛片av免费| 此物有八面人人有两片| 国产成人av教育| 男人舔奶头视频| 乱系列少妇在线播放| 日本黄色视频三级网站网址| 美女cb高潮喷水在线观看| 国产老妇女一区| 国产精华一区二区三区| 99久久久亚洲精品蜜臀av| 99在线视频只有这里精品首页| 日本黄大片高清| 亚洲欧美日韩高清专用| 伦理电影大哥的女人| 久久亚洲真实| 精品福利观看| www.www免费av| 999久久久精品免费观看国产| 日本一二三区视频观看| 免费观看在线日韩| 成年人黄色毛片网站| 国产午夜福利久久久久久| 亚洲欧美清纯卡通| 成人特级黄色片久久久久久久| 亚洲最大成人手机在线| 国产女主播在线喷水免费视频网站 | netflix在线观看网站| 色综合站精品国产| 午夜日韩欧美国产| 噜噜噜噜噜久久久久久91| 成人永久免费在线观看视频| 久久久精品欧美日韩精品| 国产探花在线观看一区二区| 亚洲av.av天堂| 亚洲av电影不卡..在线观看| 日本 av在线| 国产又黄又爽又无遮挡在线| 99久久精品热视频| 尤物成人国产欧美一区二区三区| 99久久中文字幕三级久久日本| 亚洲在线自拍视频| 国产av不卡久久| 18+在线观看网站| 丰满乱子伦码专区| 麻豆一二三区av精品| 天堂√8在线中文| 天堂网av新在线| 天堂动漫精品| 成熟少妇高潮喷水视频| 美女免费视频网站| 亚洲男人的天堂狠狠| 99久久精品热视频| 99久久成人亚洲精品观看| 国产一区二区在线观看日韩| 啦啦啦啦在线视频资源| 成人毛片a级毛片在线播放| 国产成人影院久久av| 国产一区二区三区视频了| 国产成人aa在线观看| 午夜影院日韩av| 亚洲男人的天堂狠狠| eeuss影院久久| 国产精品永久免费网站| 美女高潮喷水抽搐中文字幕| a级一级毛片免费在线观看| 18禁在线播放成人免费| 亚洲va日本ⅴa欧美va伊人久久| 色播亚洲综合网| 亚洲精品一卡2卡三卡4卡5卡| 毛片女人毛片| 人人妻人人澡欧美一区二区| 欧洲精品卡2卡3卡4卡5卡区| 五月玫瑰六月丁香| 在线播放无遮挡| 啪啪无遮挡十八禁网站| 999久久久精品免费观看国产| x7x7x7水蜜桃| 男人舔女人下体高潮全视频| 又黄又爽又刺激的免费视频.| 久久久久久久午夜电影| 免费看光身美女| 高清毛片免费观看视频网站| 久久热精品热| 夜夜夜夜夜久久久久| 久久亚洲精品不卡| 久久人妻av系列| 亚洲精品粉嫩美女一区| 内射极品少妇av片p| 国产精品久久久久久av不卡| 精品一区二区三区视频在线观看免费| 一进一出抽搐动态| 精品人妻1区二区| 婷婷丁香在线五月| 亚洲av.av天堂| 99久久精品一区二区三区| 午夜亚洲福利在线播放| 亚洲经典国产精华液单| 日韩亚洲欧美综合| 午夜免费成人在线视频| 色尼玛亚洲综合影院| 色哟哟·www| 伊人久久精品亚洲午夜| 亚洲精品影视一区二区三区av| 我的老师免费观看完整版| 日本黄色片子视频| 国产蜜桃级精品一区二区三区| 免费观看精品视频网站| 偷拍熟女少妇极品色| 免费av不卡在线播放| 99精品久久久久人妻精品| 国产精品无大码| 国产又黄又爽又无遮挡在线| 久久久久久久午夜电影| 久久久久国产精品人妻aⅴ院|