图神经网络中用于三维目标检测的动态边权重

一个稳健且精确的三维检测系统是自动驾驶汽车不可或缺的组成部分。传统上，大多数三维目标检测算法侧重于使用体素网格或鸟瞰图（BEV）处理三维点云。然而，近期的研究表明，利用图神经网络（GNN）作为一种有前景的三维目标检测方法。在本工作中，我们提出一种基于注意力的 GNN 特征聚合技术，用于检测 LiDAR 扫描中的物体。我们首先采用一种距离感知的下采样方案，该方案不仅提升了算法性能，还能在物体远离传感器时保留其最大几何特征。在 GNN 的每一层中，除了将每个节点的输入特征映射到相应高层特征的线性变换外，还通过对节点一阶邻域中不同节点指定不同权重来执行每节点掩码注意力。该掩码注意力隐式地考虑了每个节点的底层邻域图结构，并消除了对昂贵矩阵运算的需求，从而在不影响性能的情况下提高了检测精度。在 KITTI 数据集上的实验表明，我们的方法在三维目标检测上取得了可比的结果。