-
题名基于NNC-EPNet的多模态融合3D目标检测
- 1
-
-
作者
冯霞
梁宇龙
卢敏
左海超
-
机构
中国民航大学民航智慧机场理论与系统重点实验室
中国民航大学科技创新研究院
中国民航大学计算机科学与技术学院
-
出处
《北京交通大学学报》
CSCD
北大核心
2024年第5期78-87,共10页
-
基金
国家自然科学基金(U2333206)。
-
文摘
针对目前多模态融合3D目标检测方法难以有效融合目标对应图像特征的问题,通过引入近邻修正(Nearest Neighbor Correction,NNC)方法减轻目标点云稀疏和非目标点云的影响,提出一种多模态3D目标检测方法NNC-EPNet.首先,设计近邻修正模块NNC,利用增强后的近邻点云特征修正采样点云,减少点云数据中的噪声,增强目标点云特征,从而更好地融合目标图像特征;其次,设计基于Transformer的多模态特征融合编码器(Mutil-Modal Fusion Transformer,MFT),采用交叉注意力机制融合图像特征和点云特征,并且引入点云注意力机制聚合全局上下文信息,以提升特征表达能力;最后,分别在自动驾驶标准数据集KITTI和Waymo上进行对比实验.实验结果表明:NNC-EPNet方法在KITTI数据集上的平均精度均值达到84.47%,与基线算法相比,在容易、中等和困难3种难度场景下的检测精度分别提高了2.00%、3.25%和5.68%;在Waymo数据集上的加权平均精度达到74.48%,与基线算法相比,提升了2.49%.研究结果证明了设计的两个模块NNC和MFT能够有效提升3D目标检测性能.
-
关键词
3D目标检测
多模态
特征融合
点云修正
注意力机制
-
Keywords
3D object detection
multimodality
feature fusion
point cloud correction
attention mechanism
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于密度聚类的光条中心线提取方法
被引量：6
- 2
-
-
作者
梁宇龙
段发阶
-
机构
天津大学精密测试技术及仪器国家重点实验室
-
出处
《激光技术》
CAS
CSCD
北大核心
2020年第4期459-465,共7页
-
基金
国家重点研发计划资助项目(2017YFF0204800)
天津市自然科学基金资助项目(17JCQNJC01100)
国家自然科学基金资助项目(51775377,61971307)。
-
文摘
为了解决线结构光3维测量中噪声光斑对提取精度的影响,采用了密度聚类灰度重心提取算法提取激光光条中心线。该方法由中心线预提取以及中心线最终提取两阶段组成,预提取阶段实现对激光与光斑两者中心线的同时提取,最终提取阶段采用基于连通性的密度聚类算法完整保留激光中心线并剔除噪声光斑。在仿真实验阶段,对大小为600pixel×600pixel、含有激光中心线的图像进行了加噪处理,并使用提取结果与真实中心线之间各点的均方根误差以及运行时间作为考察标准进行了实验研究。结果表明,该方法与传统灰度重心法相比,在高亮度各向异性光斑、高亮度小面积光斑、高亮度点噪声图像的均方根误差分别降低了12.59pixel,15.12pixel和83.36pixel,时间复杂度分别提高了0.383s,0.412s和0.416s。该方法与传统灰度重心法相比具有更高的提取精度、近似的时间复杂度,且对噪声光斑具有较好鲁棒性,可以在噪声光斑图像中完整提取出光条中心线。
-
关键词
图像处理
中心提取
灰度重心法
密度聚类
结构光
-
Keywords
image processing
center extraction
gray centroid method
density clustering
structured light
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
