基于双注意力融合和残差优化的点云语义分割

在直接处理原始点云的语义分割算法中,存在局部特征提取模块细粒度特征描述能力不足和逐步下采样使得网络深度受到限制的问题。提出一种双注意力特征增强模块,其中点注意模块学习邻域点之间的相互关联性,捕捉上下文信息,提高局部特征的分辨能力,通道注意模块聚合通道结构信息,减少噪声影响。构建编码器多尺度残差结构增加网络深度,避免下采样造成的关键点信息丢失。方法在S3DIS数据集上准确率为88.9%,平均交并比为70.7%;在Semantic3D数据集上准确率为95.8%,平均交并比为78.5%。实验结果表明,所提出的算法对物体边缘特征具有良好的区分性,具有更好的泛化性能。

基于记忆储存的多目标跟踪算法

针对多目标跟踪网络TraDes对形变目标特征学习不充分,以及遮挡情况下,目标轨迹无法关联的问题,提出了一种基于记忆储存的多目标跟踪算法。该方法以TraDes网络为基础,在前端特征提取中增加空间变换网络,使得网络能够显式学习目标特征的不变性。另外,在特征聚合阶段建立记忆储存矩阵,用于储存目标的历史编码向量,提高了目标遮挡时的跟踪准确度。在数据集MOT15、MOT16和nuScenes上的实验结果表明,该算法平均准确度分别达到74.9%、72.4%和24.9%,ID轨迹切换次数和漏检误检明显减少。