近日，中國科學院合肥物質院智能所王智靈研究員課題組提出了一種基于注意力機制和數據增強的點云3D目標檢測方法，有效提高了自動駕駛車輛對成像小目標的檢測性能。該研究成果被智能交通領域國際頂級期刊IEEE Transactions on Intelligent Transportation Systems (中國科學院一區，TOP期刊）正式接收，并以“Early Access”的方式網絡首發 。

　　基于激光雷達點云的3D物體檢測對于自動駕駛至關重要。為了從稀疏無序的點云數據中提取信息，通常將點云轉換為偽圖像，使數據緊湊有序。然而，這些方法在特征提取能力上有限，并且在轉換過程中常常丟失關鍵信息，導致檢測精度下降，對成像較小的目標物體的檢測識別能力不足。

　　針對這些問題，研究團隊提出了一種新的3D目標方法SCNet3D，該方法從特征和數據兩個角度解決特征增強、信息保存和小目標檢測的問題。首先，方法引入了一個特征增強模塊（FEM），使用注意力機制在三維空間中對特征進行加權，并逐層從局部到全局增強3D特征。其次，設計了一個STMod-Convolution網絡（SCNet），通過兩個通道（一個用于基礎特征，一個用于高級特征）實現了對BEV偽圖像充分的特征提取和融合。此外，還通過一種具有形狀和距離感知能力的數據增強方法（SDAA），在訓練過程中向點云添加更多包含豐富信息的樣本。對比實驗驗證了，在目標成像小、干擾強的環境中該方法檢測性能具有明顯優勢。

　　碩士研究生李軍儒為論文的第一作者，王智靈研究員為論文的通訊作者，碩士研究生龔殿城、王純純參與了相關工作。該項研究工作得到了安徽省重大科技專項的支持。

　　論文鏈接：https://ieeexplore.ieee.org/document/10745877 

SCNet3D模型結構