公开(公告)号：CN114120115B

公开(公告)日：2024-08-23

申请号：CN202111398672.9

申请日：2021-11-19

Applicant: 东南大学

Inventor： 杜松林 ,  浦建寒

IPC: G06V20/10 ,  G06V20/56 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种融合点特征和网格特征的点云目标检测方法，包括使用图神经网络提取原始点云基于点的特征，使用网格化点云方式提取基于网格的特征，将基于点的特征融合到基于网格的特征中，再将融合后的特征转为伪图像形式，通过卷积神经网络继续提取高层次特征，在通过卷积神经网络提取特征的过程中，始终保持高分辨率特征以及特征的多尺度融合，后续以混合密度的方式拟合数据分布以输出更好的目标建议框结果。本发明在使用二维卷积速度快的同时，将基于点特征融合到基于网格化的点云特征中，这样也保留了点云的部分三维结构特征，并采用并联结构以提取高分辨率特征。使用基于高斯分布的混合密度网络，能更好的拟合数据分布。

公开(公告)号：CN114120115A

公开(公告)日：2022-03-01

申请号：CN202111398672.9

申请日：2021-11-19

Applicant: 东南大学

Inventor： 杜松林 ,  浦建寒

IPC: G06V20/10 ,  G06V20/56 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种融合点特征和网格特征的点云目标检测方法，包括使用图神经网络提取原始点云基于点的特征，使用网格化点云方式提取基于网格的特征，将基于点的特征融合到基于网格的特征中，再将融合后的特征转为伪图像形式，通过卷积神经网络继续提取高层次特征，在通过卷积神经网络提取特征的过程中，始终保持高分辨率特征以及特征的多尺度融合，后续以混合密度的方式拟合数据分布以输出更好的目标建议框结果。本发明在使用二维卷积速度快的同时，将基于点特征融合到基于网格化的点云特征中，这样也保留了点云的部分三维结构特征，并采用并联结构以提取高分辨率特征。使用基于高斯分布的混合密度网络，能更好的拟合数据分布。