形状补全引导的Transformer点云目标检测方法

摘要: 针对雷达传感器采集到的场景点云中存在大量远距离或位于遮挡视角的形状缺失的低质量目标，其几何信息不足难以被识别，影响检测精度的问题，本文提出一种基于形状补全引导的Transformer点云目标检测方法(shape completion-guided transformer point cloud object detection method, STDet)，通过增强低质量目标形状特征来有效提升目标检测精度，利用Pointformer主干网络提取场景点云特征以生成初始候选框，基于特征分离预测的形状补全模块重构候选框中残缺目标的完整形状点云；构建Transformer几何特征增强模型，融合目标完整形状信息及空间位置信息至各目标点特征中，并感知各目标点不同邻域掩码范围内的局部结构信息与全局几何特征的注意力相关性，以获取关键几何信息增强的目标全局几何特征；基于该特征引导生成精细化的目标检测框。在KITTI数据集上的实验结果表明，该方法在存在大量形状残缺低质量目标的困难场景中检测精度较基准算法提升了4.96%，大量消融实验证明了该方法所构建的形状补全算法和Transformer几何特征增强模型的有效性。

• 关键词: 
• 3D目标检测  /  
• 低质量目标  /  
• 特征分离  /  
• 形状补全  /  
• Transformer  /  
• 多尺度  /  
• 邻域掩码  /  
• 特征增强  

近年来，随着人工智能和深度学习技术的兴起，带动自动驾驶、智能机器人等领域的飞速发展。对于以感知三维空间环境信息为基础的自动驾驶系统，能够有效感知和检测环境物体的3D目标检测技术对其至关重要。但由于三维环境的复杂性及数