3D目标检测中的大感受野策略与重要特征提取策略
计算机视觉与模式识别
2024-03-12 v2 人工智能
摘要
增强3D目标检测对于自动驾驶中精确的环境感知和提升任务执行能力至关重要。提供精确深度信息的LiDAR点云是此目的的关键信息。我们的研究聚焦于3D目标检测中的关键挑战。为了应对扩展3D卷积核感受野的挑战，我们引入了动态特征融合模块（DFFM）。该模块实现了3D卷积核感受野的自适应扩展，在可接受的计算负载下平衡了扩展。这一创新减少了运算量，扩展了感受野，并允许模型动态适应不同物体的需求。同时，我们识别出3D特征中的冗余信息。利用特征选择模块（FSM）定量评估并消除非重要特征，实现了输出框拟合与特征提取的分离。这一创新使检测器能够聚焦于关键特征，从而实现模型压缩、降低计算负担并最小化候选框干扰。大量实验证实，DFFM和FSM不仅提升了当前基准性能，特别是在小目标检测方面，还加速了网络性能。重要的是，这些模块表现出有效的互补性。
引用
@article{arxiv.2401.11913,
title = {Large receptive field strategy and important feature extraction strategy in 3D object detection},
author = {Leichao Cui and Xiuxian Li and Min Meng and Guangyu Jia},
journal= {arXiv preprint arXiv:2401.11913},
year = {2024}
}