摘要
3D(Three-dimensional,3D)目标检测是指在三维空间中对目标物体进行识别和定位，可以提供准确和丰富的目标信息，对于自动驾驶、机器人导航、虚拟现实等应用具有重要意义。目前，基于深度学习的3D目标检测技术得到了迅速的发展。然而，由于在点云处理过程中存在前景目标采样点丢失、局部几何细节特征提取不充分等问题，导致3D目标检测的精度仍然不高。 为此，本文研究了基于深度学习的三维点云目标检测方法，设计的模型保留了更多的前景目标点以及更加准确的几何细节信息，从而提高3D点云目标检测模型的性能。本文的主要工作如下: 1)针对小目标前景实例在采样之后有可能丢失所有点的问题，本文提出一种基于位置查询回溯的三维目标检测网络(PositionQueryBack-tracingNetwork,PQBNet)。首先，设计了基于查询点位置的回溯模块，在特征传播过程中引入了回溯的思想，将采样过程中丢失的细节特征找回，作为新的查询点特征。为了获得精确的三维目标边界框，引入并改进了SIOU损失，优化三维边界框回归，为调整预测边界框提供了有效的提示，包括调整边界框方向，距离以及形状，从而提高了边界框预测的准确性以及鲁棒性。 2)针对现有方法捕获的邻域浅层特征信息不足的问题，本文在PQBNet基础上提出了一种基于语义多层感知的三维点云目标检测网络(SemanticMulti-levelPerceptionPQBNet,SMP-PQBNet)。首先，提出了自适应的多层感知器模块用以聚合每一层池化特征，从而增强主干网络提取语义和几何形状信息的能力。然后，利用语义分割头改进候选点生成方法，保证初始候选点的质量。第三，利用核点卷积改进初始的位置查询回溯模块。 本文在公开基准数据集ScanNetV2和SUNRGB-D上开展了综合性能对比实验、消融实验、可视化实验等一系列实验，证明了本文方法的有效性。
NETL