Answers are grounded in this paper and cite their sources.
针对3DSSD在复杂场景(存在大量物体重叠、遮挡或类别多样化)中难以充分捕捉空间关系与细微差异的问题,提出一种基于中心点采样和Transformer的单阶段无锚框目标检测器。首先,针对点云的稀疏性和不规则性,通过骨干网络直接从原始点云提取点云特征并完成关键点采样;其次,结合加权下采样策略,通过对靠近目标中心的点赋予更高采样权重,网络可以选取距离物体中心较近且更有可能是目标的点;最后,利用Transformer中的注意力机制基于点云中的所有点计算对象的特征,其中,每个点的贡献在网络训练中自动学习,从而更精确地捕捉候选目标的特征。所提方法采用改进的注意力叠加方案,融合不同阶段的目标特征,从而产生更准确的目标检测结果。在KITTI数据集上的实验结果表明:相比于3DSSD检测网络,所提方法在Pedestrian和Cyclist类别的平均精度均值分别提升7.38%和4.37%。同时,在矿区实测点云数据上的验证结果进一步表明,所提方法在复杂真实场景中仍具备稳定的检测性能与良好的实用性。
No takes yet. Share an insight, caveat, or question.
Zhaoqiang et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: