[發(fā)明專利]一種基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111297310.0
• 申請(qǐng)日: 2021-11-04
• 公開(kāi)（公告）號(hào): CN114004978A
• 公開(kāi)（公告）日: 2022-02-01
• 發(fā)明（設(shè)計(jì)）人: 曾凱;朱明亮;朱艷;沈韜;謝江
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 昆明明潤(rùn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53215
• 代理人: 王鵬飛

1.一種基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法，其特征在于：

Step1：首先將原始點(diǎn)云數(shù)據(jù)空間劃分為單個(gè)柱體，再將其通過(guò)特征編碼的方式編碼為偽圖像，所述偽圖像特征信息包括通道數(shù)、高度和寬度信息，使其能夠適用于二維卷積方式進(jìn)行特征提??；

Step2：在偽圖像上通過(guò)二維卷積進(jìn)行特征提取，在此過(guò)程中，引入可變形卷積模塊；

Step3：在對(duì)網(wǎng)絡(luò)中引入可變形卷積模塊后，引入通道注意力模塊，最終完成特征提取，得到特征圖；

Step4：將特征圖送入檢測(cè)器中，得到最終的輸出特征圖，完成檢測(cè)任務(wù)。

2.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法，其特征在于所述Step1具體為：原始點(diǎn)云數(shù)據(jù)形式為(x，y，z，r)，只采用數(shù)據(jù)中的位置坐標(biāo)信息，通過(guò)Pointpillars算法中的PFN層進(jìn)行特征編碼，將點(diǎn)云張量[x，y，z]轉(zhuǎn)換為偽圖像形式，轉(zhuǎn)換后的點(diǎn)云數(shù)據(jù)特征張量為[B，C，H，W]，分別代表批次數(shù)、偽圖像的通道數(shù)、高度以及寬度。

3.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法，其特征在于所述Step2中，可變形卷積模塊具體為：

其中，y(p₀)表示可變形卷積模塊的輸出特征圖，p₀代表普通卷積核的中心點(diǎn)，p_n代表普通卷積核的采樣點(diǎn)，x(·)代表的是輸入的特征圖，Δp_n表示可變形卷積中的偏移量。

4.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法，其特征在于所述Step3中，通道注意力模塊具體為：

其中，為特征矩陣u_c與s_c經(jīng)過(guò)點(diǎn)積加權(quán)操作得到的最終的特征矩陣，u_c為經(jīng)過(guò)特征提取后的特征向量，s_c為經(jīng)過(guò)激勵(lì)操作后得到的特征矩陣。

5.根據(jù)權(quán)利要求1所述的基于注意力機(jī)制和可變形卷積的點(diǎn)云目標(biāo)檢測(cè)方法，其特征在于所述Step4具體為：

將特征圖送入檢測(cè)器，對(duì)輸入特征圖進(jìn)行三次卷積操作在不同維度上提取特征，并通過(guò)反卷積操作將三個(gè)不同大小的特征圖轉(zhuǎn)換為相同大小的特征圖，再通過(guò)拼接操作實(shí)現(xiàn)特征圖的融合，得到最終的輸出特征圖；

將最終輸出特征圖送入基于二維圖像的檢測(cè)模型中，檢測(cè)模型至少包括YOLO算法模型、SSD算法模型以及RPN算法模型。