S-AT GCN：基于空间注意力图卷积网络的特征增强用于3D目标检测
计算机视觉与模式识别
2021-03-16 v1
摘要
3D目标检测在自动驾驶车辆的环境感知中起着关键作用，是决策与控制的先决条件。本文分析了基于划分方法的固有缺陷。在划分操作中，单个实例（如行人）被切分为若干块，我们称之为划分效应。我们提出空间注意力图卷积（S-AT GCN），构成特征增强（FE）层以克服该缺陷。S-AT GCN利用图卷积与空间注意力机制提取局部几何结构特征。这使得网络对前景具有更有意义的特征。我们在KITTI 3D目标与鸟瞰检测上的实验表明，S-AT Conv与FE层是有效的，尤其对小目标。FE层将行人类别性能提升3.62%、 cyclist类别提升4.21% 3D mAP。这些额外FE层的时间开销有限。带FE层的PointPillars可达到48 PFS，满足实时要求。
引用
@article{arxiv.2103.08439,
title = {S-AT GCN: Spatial-Attention Graph Convolution Network based Feature Enhancement for 3D Object Detection},
author = {Li Wang and Chenfei Wang and Xinyu Zhang and Tianwei Lan and Jun Li},
journal= {arXiv preprint arXiv:2103.08439},
year = {2021}
}