基于空间感知多维度距离增强网络的3D目标检测OA

基于虚拟点的三维(Three-Dimensional,3D)目标检测是一种利用深度补全技术实现RGB图像与激光雷达数据融合的视觉检测方法。然而,该方法所生成的高密度点云每帧可达60万个检测点,如此大量的数据在实时部署时对算法提出了严格的高效需求。现有方法依赖单维度空间假设,将邻近区域视为均匀冗余并采用随机丢弃策略,导致其无法捕获由空间位置、语义类别和特征质量共同决定的真实冗余分布,造成计算资源的浪费。因此,本文提出空间感知多维度距离增强网络(Spatial-aware Multi-dimensional Range-enhanced Networks,SMR-3D)。该网络构建了一种多维度联合建模框架,统一优化空间、语义和距离相关的特征维度,高效利用计算资源。在数据层面,SMR-3D通过空间感知采样(Spatial-Aware Sampling,SAS)和多维度重要性评分采样(Multi-dimensional Importance Scoring Sampling,MISS)来提升采样效率。SAS将3D空间划分为近、中、远三个距离区域,根据距离远近设置不同的体素丢弃率,近距离区域采用较高丢弃率以减少冗余,远距离区域采用较低丢弃率以保留本就稀疏的关键体素;MISS通过建模反射率、高度、方向和距离四个属性的语义参数,并学习每个属性的重要性,使得优先保留具有目标特征的关键体素。在特征层面,距离感知网络(Range-aware Network,RangeNet)使用可学习的距离区间和软分配机制,通过通道级自适应加权来补偿特征随距离增加而产生的退化问题。最后,在KITTI验证集上的实验表明,SMR-3D在中等难度级别上取得了84.07%的3D平均精度(Average Precision,AP),相比随机采样基线提升1.72个百分点,推理时间为54 ms。定性分析显示,SMR-3D成功检测到基线方法在远距离处遗漏的目标车辆,在自动驾驶应用中实现了检测精度与实时性的良好平衡。