基于改进PointPillars的点云车辆目标检测

针对自动驾驶领域中,激光雷达获取的点云数据存在稀疏性以及边缘噪点误检等问题,提出一种基于改进PointPil-lars的点云车辆目标检测方法。首先,基于SimAM注意力机制改进体素化特征输入,使得网络特征提取阶段能更加关注关键信息,提高特征学习的全局性。其次,基于卷积块注意力模块(CBAM)改进骨干网络结构,提出全新的轻量化通道注意力模块Tiny-CAM和可变形空间注意力模块Deformable-SAM,构建Multi-CBAM骨干网络,提升网络特征提取及特征融合能力。在KITTI数据集以及非公开车库点云数据集上进行验证,实验结果表明,与原网络相比,改进PointPillars方法具有更高的检测精度,平均检测精度提升2.98%,针对遮挡小于30%的点云车辆目标检测精度提升6.51%,证明了该方法的有效性。