基于双重注意力融合的三维目标检测方法

摘要

针对Voxel-RCNN算法在检测远处小目标以及受到遮挡的目标时检测精度不足的问题，提出了一种改进的方法，命名为CS-Voxel-RCNN.首先，通过引入随机顺序、随机丢弃和随机噪声三项数据增强方法，丰富了训练样本的多样性，从而增强了模型的鲁棒性.其次，通过在2D骨干网络中集成CBAM模块，运用通道注意力机制和空间注意力机制，对多尺度特征进行更为细致的处理，优化了特征融合效果.最后，通过新增DIoU损失分支，对原损失函数进行改进，着重强调目标边界框之间的距离信息，从而提高了目标边界框回归任务的准确性.在KITTI数据集上与一些经典的3D目标检测算法进行对比实验.结果表明，新提出的算法对比原Voxel-RCNN算法，在骑车者类的简单和困难级别上分别提升了2.91个百分点和0.87个百分点，并通过消融实验验证了各改进模块的有效性，这一系列改进方法在提高三维目标检测在现实场景中的实用性和准确性方面取得了积极的成果.

关键词

三维目标检测 / 激光雷达点云 / 数据增强 / 注意力机制 / 特征融合