融合体素图注意力的三维目标检测算法

摘要: 目前基于点云的三维目标检测方法未能充分利用点云局部几何特征，导致对点云稀疏的目标检测效果不佳。为此，本文提出基于原始点云体素图注意力的两阶段三维目标检测算法(voxel graph attention region-CNN, VGT-RCNN)。通过多尺度体素特征插值计算网格中心点特征；在多尺度非空体素特征上构造局部图；通过图注意力机制对体素特征进行加权平均，充分提取并利用目标的局部几何特征完成检测。该算法主要针对当前二阶段算法在进行特征聚合时对不同体素特征的重要性考虑不足进行改进，引入可学习的权重矩阵，动态学习体素特性的权重，提高局部特征表达能力。本文在流行的KITTI自动驾驶数据集上进行了充分测试，取得了具有竞争力的检测效果，尤其是在对点云稀疏的汽车目标检测上，准确率有较大提高。本文还对检测效果进行了可视化分析。

• 关键词: 
• 点云  /  
• 三维目标检测  /  
• 图注意力  /  
• 特征插值  /  
• 多尺度特征  /  
• 激光雷达  /  
• 体素化  /  
• 车辆检测  

点云是由激光雷达射出的一系列激光照射到物体后产生的反射点空间坐标构成。激光雷达对光照、距离和复杂环境十分鲁棒，能够准确便捷地获取环境的三维点云信息，因此成为三