基于改进PV-RCNN++算法的三维点云聚焦式特征研究

为增强RoI网格局部特征的表征能力、加强细节特征的表达效果,以进一步提高点云语义分割精度,针对PV-RCNN++网络采用的RoI网格池化模块进行了研究。在PV-RCNN++网络中,RoI网格池化模块只是将网格点周围的体素特征进行简单的空间位置排序,导致局部特征表达效果欠佳。为加强RoI网格池化模块对局部特征的表征能力,引入CBAM注意力机制,从通道和空间两个作用域出发,一方面处理特征集通道的分配关系,另一方面可使神经网络更加关注特征集中对分类起决定性作用的体素区域,以强化重要信息在网络的有效传递并提高点云语义分割结果的鲁棒性。对自动驾驶领域公开数据集Kitti的语义分割实验表明,所提出的改进PV-RCNN++的聚焦式特征的算法训练出的模型,较基准模型提升效果显著,有效增强了RoI网格池化模块对局部特征的表征能力,强化了细节特征的表达效果,提高了点云语义分割精度。

基于改进PV-RCNN的3D目标检测算法实验研究

3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速。针对PV-RCNN在3D目标检测时不能够充分适应不同的物体尺度、不同的点云密度、部分变形和杂波等问题,对3D目标检测的任务进行实验研究。通过加入自适应可变形卷积、上下文融合模块和Gumbel Subset Sampling模块来训练层级特征,使得编码关键点自适应地朝着最具有判别和代表性的特征对齐,提高提案框回归精度。实验结果表明,改进后的PV-RCNN 3D目标检测精度得到了提升,尤其是在远距离物体识别和检测方面。