查询自动驾驶车辆点云：通过CounterNet的3D目标计数增强

自动驾驶车辆生成海量的点云数据，但只有部分子集与特定任务相关，例如碰撞检测、交通分析或拥堵监控。有效查询这些数据对于实现针对性分析至关重要。在这项工作中，我们通过定义三种核心查询类型来形式化点云查询：检索、计数和聚合，每种类型对应不同的分析场景。所有这些查询都严重依赖准确的目标计数来产生有意义的结果，因此精确的目标计数成为查询执行的关键组成部分。先前的工作主要关注二维视频数据的索引技术，并假设检测模型能提供准确的计数信息。然而，当应用于三维点云数据时，最先进的检测模型通常无法生成可靠的目标计数，导致查询结果出现重大错误。为解决这一局限，我们提出了CounterNet，一种基于热力图、专为大规模点云数据中精确目标计数设计的网络。CounterNet不侧重于精确的目标定位，而是通过寻找目标中心来检测目标存在性，从而提高计数精度。我们进一步采用重叠区域的特征图划分策略来增强其性能，使其能更好地处理复杂交通场景中的小目标和大目标。为适应不同帧的特征，我们引入了一种逐帧动态模型选择策略，为每个输入选择最有效的配置。在三个真实世界自动驾驶车辆数据集上的评估表明，CounterNet将各目标类别的计数精度提高了5%到20%，从而在所有支持的查询类型中产生了更可靠的查询结果。