基于立体图像的多路径特征金字塔网络3D目标检测

3D目标检测是计算机视觉和自动驾驶中一项重要的场景理解任务。当前基于立体图像的3D目标检测方法大多没有充分考虑多个目标之间的尺度存在较大差异,从而尺度小的物体容易被忽略,导致检测精度低。针对这一问题,提出了一种基于立体图像的多路径特征金字塔网络(MpFPN)3D目标检测方法。MpFPN对特征金字塔网络进行了扩展,增加了自底向上的路径、由上至下的路径及输入特征图到输出特征图之间的连接,为联合区域提议网络提供了更高语义信息和更细粒度空间信息的多尺度特征信息。实验结果表明:在3D目标检测KITTI数据集上,无论在场景简单、中等、复杂情况下,所提方法获得的结果都优于比较方法的结果。

基于矩阵分解多样性和一致性学习的多视图聚类

为充分考虑标签空间中多样性的影响,提出了一种新的多视图聚类方法。在标签空间中,首先将公共标签矩阵松弛为一致性部分和多样性部分,然后将其集成到基于多视图k-means矩阵分解的模型中;在数据空间中使用自权重策略对每个视图进行加权。为避免原始高维特征空间包含冗余信息和噪音造成维度灾难问题,将原始数据投影到低维空间进行降维;为保证算法的收敛性,使用基于交替方向最小化的增广拉格朗日乘子法(augmented Lagrangian multiplier with alternating direction minimization,ALM-ADM)来解决优化问题。在6个公开的真实数据集上进行实验,结果证明了所提出方法的有效性。