专利交易市场

本发明公开了一种点云3D目标检测方法、系统、存储介质及设备，该方法包括：获取不同驾驶场景中各种道路参与者与不同程度遮挡、截断的图像数据，进行预处理得到目标数据集；构建基于B样条激活函数的点云3D目标检测模型；将训练集导入点云3D目标检测模型中进行训练，并使用测试集对点云3D目标检测模型进行校验，以及使用验证集对点云3D目标检测模型进行评估；将点云3D目标检测模型部署于车辆中，对不同驾驶场景下道路参与者遮挡、截断的场景进行检测。本发明通过对自动驾驶中不同场景进行检测，有利于准确判断道路情况、预测行人和骑行者行为，提升行车效率和提高行车安全性，增强系统适应性和鲁棒性，减少交通事故的发生。

本发明提供了基于自注意力机制的3D目标检测方法、装置、设备，涉及人工智能和计算机视觉技术领域，针对在两阶段网络模型中第一阶段得到感兴趣区域后点与点之间的信息密度不高问题，提出了一种基于自注意力机制的3D目标检测算法，通过增强点与点之间的交互信息密度，进而提高感受野的覆盖范围。在KITTI数据集上的实验证明，该方法在汽车、行人、自行车类数据集上的平均检测精度有了较大的提升，尤其在小目标稀疏的点中效果显著，这进一步证实了该算法的有效性。

本发明公开了融合激光雷达点云和图像的稠密分割的3D目标检测方法，涉及3D目标检测技术领域。本发明至少包括以下内容：搭建具备视锥体提案生成、点稠密分割模块、多尺度质心估计模块和检测头的应用框架；通过2D检测器对给定场景的2D图像进行2D检测生成视锥体提案，对提案中的点进行实例分割，并对分割后的点进行质心估计从而利用检测头生成3D边界框完成检测。本发明融合了LiDAR点云和RGB图像，克服了目前对行人和骑车人等小型物体检测性能差的难题，同时保持了对汽车类的检测精度，且引入了点稠密分割模块和多尺度特征的质心估计方法，保留物体的纹理信息并提高检测精度，所提出的方法在KITTI数据集上的表现优于现有的方法，证明了其有效性。