点云场景下基于结构感知的车辆检测

在自动驾驶领域,计算机对周围环境的感知和理解是必不可少的.其中,相比于二维目标检测,三维点云目标检测可以提供二维目标检测所不具有的物体的三维方位信息,这对于安全自动驾驶是至关重要的.针对三维目标检测中原始输入点云到检测结果之间跨度大的问题,首先,提出了基于结构感知的候选区域生成模块,其中定义了每个点的结构特征,充分利用了三维点云目标检测数据集提供的监督信息,通过预测该特征,网络可以学习到更具有鉴别能力的特征,从而提高候选框的生成质量;其次,将该特征加入到候选框微调阶段中,使得点云上下文特征和局部特征更加丰富.在三维点云目标检测数据集进行了实验,结果表明,文中方法能够在增加极少计算量的前提下,在候选区域生成阶段使用50个候选框0.7的IoU阈值下,提高超过13%的召回率;在候选框微调阶段,3种难度目标框的检测效果均有明显提升,表明了该方法对三维点云目标检测的有效性.

专注智能油藏储量预测的深度时空注意力模型

现有油藏储量预测方法的精度远不能满足实际应用的需求。受循环神经网络和注意力机制的启发,提出一种专注智能油藏储量预测的深度时空注意力模型。该模型通过时间注意力模型来捕获输入数据之间的关键信息,空间注意力模型捕获隐藏状态之间的关系紧密程度,能够缓解数据波动对预测结果的不利影响,从而大幅减小预测误差。结果表明,相比传统方法和已有的深度学习方法,该模型预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。