排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
针对汽车自动驾驶时通过激光雷达进行三维目标检测时识别结果不准确、目标朝向检测偏差较大的问题,提出一种基于改进PointPillars的激光雷达三维目标检测方法。首先,基于Swin Transformer改进PointPillars的二维卷积降采样模块,使得网络特征提取阶段能够使用自注意力机制来丰富上下文语义并获取全局特征,增强算法的特征提取能力。其次,利用点云立柱的特性将点云的地面部分去除,降低冗余点云的影响,从而提高三维目标检测的识别精度。在公开数据集KITTI上进行的验证实验结果表明:所提方法具有更高的检测精度,相较于原PointPillars,平均检测精度提升了1.3个百分点,验证了该方法的有效性。 相似文献
5.
脊柱侧弯是当今社会中常见的脊柱疾病,在X光图像上快速而准确地定位脊椎骨角点并计算其Cobb角度数是医生诊断脊柱弯曲程度的金指标。针对X光骨科图片中其他器官的遮挡以及复杂背景干扰等问题,提出一种基于嵌入注意力机制和向量损失模块的神经网络模型。所提模型以vertebra-focused landmark detection(VFLD)网络为基础网络,在编码器和解码器之间嵌入旋转注意力机制模块加强网络对于脊椎骨深层、高维特征的提取,抑制其他器官的干扰,同时利用向量相似性的损失函数对网络进行训练。实验结果表明,在MICCAI 2019公开脊椎挑战赛数据集中,所提模型的对称平均绝对百分比误差准确度高达9.31,可以有效提高原模型检测椎骨角点能力。与现有的诸多模型相比,其具有较高的准确率和稳健性。 相似文献
6.
基于运动恢复结构与视图合成的自监督范式,引入条件卷积与极化自注意力,提出新的单目深度与位姿估计模型。条件卷积对不同输入数据进行多组动态的卷积权重赋值,所有权重在经过加权整合后共享一次卷积操作,在不显著增加计算量的情况下实现模型容量的提升。图像信息完整性对深度估计任务的性能有极大影响,极化自注意力通过极化滤波使数据在通道或空间维度上保持高分辨率,防止图像的细粒度信息或结构信息丢失;同时压缩与通道或空间正交的维度,减小计算量,并通过非线性函数对压缩过程中损失的特征强度范围进行增强与动态映射。自注意力机制可以实现数据在各维度上的长距离建模。在KITTI数据集上进行实验,证明了所提出模型在自监督单目深度与位姿估计任务中有优异的性能表现。 相似文献
1