基于Retentive Vision Transformer的改进型雷达目标检测模型TransRAD
星系天体物理
2025-01-31 v1 地球与行星天体物理
太阳与恒星天体物理
摘要
尽管环境感知能力在自动驾驶和智能机器人领域取得了显著进展，但相机和LiDAR在低光条件和恶劣天气下仍然不可靠，这限制了其有效性。雷达作为可靠且低成本的传感器，能够有效补足这些限制。然而，由于雷达数据固有的弱点（如低分辨率、高噪声和缺乏视觉信息），雷达基于目标检测的研究仍鲜有探索。本文提出了TransRAD，一种新型3D雷达目标检测模型，通过利用Retentive Vision Transformer (RMT)更有效地学习信息密集型雷达Range-Azimuth-Doppler (RAD)数据中的特征。我们利用RMT提供的Retentive曼哈顿自注意力 (MaSA)机制，纳入显式空间先验，从而实现对雷达目标在RAD数据中空间显著性特征的更准确对齐，并在Range-Azimuth-Doppler三个维度上实现精确3D雷达检测。此外，我们提出了Location-Aware NMS来有效缓解深度雷达目标检测中常见的重复边界框问题。实验结果表明，TransRAD在2D和3D雷达检测任务中均优于当前最先进的方法，实现了更高的检测精度、更快的推理速度和更低的计算复杂度。代码已公开于https://github.com/radar-lab/TransRAD。
引用
@article{arxiv.2501.17955,
title = {NEATH IV: an early onset of complex organic chemistry in molecular clouds},
author = {F. D. Priestley and P. C. Clark and S. E. Ragan and S. Scibelli and M. T. Cusack and S. C. O. Glover and O. Fehér and L. R. Prole and R. S. Klessen},
journal= {arXiv preprint arXiv:2501.17955},
year = {2025}
}
备注
10 pages, 8 figures. MNRAS accepted