[发明专利]一种端到端的三维目标稀疏检测方法

权利要求书

1.一种端到端的三维目标稀疏检测方法，其步骤包括：

将点云样本输入三维目标检测网络，得到所述点云样本的目标预测结果；利用损失函数计算模块计算目标预测结果与其对应的真实目标对之间损失值，通过降低损失函数的值对所述三维目标检测网络进行优化；其中所述三维目标检测网络包括体素化模块、三维特征提取模块、折叠到鸟瞰视角模块、特征对齐模块、稀疏检测模块；所述点云样本包括点云场景，该场景中每个目标的3D包围盒及其对应的类别标签；

所述体素化模块用于将所述点云样本中的点云场景进行3D体素划分；

所述三维特征提取模块根据所述点云样本的3D体素数据得到所述点云样本对应的分辨率降低而特征维度增加的三维特征图并输入所述折叠到鸟瞰视角模块；

所述折叠到鸟瞰视角模块对输入的三维特征图在鸟瞰视角下进行折叠，得到伪二维特征图并输入所述特征对齐模块，得到一特征图列表；其中所述特征图列表包括多张相同维度不同分辨率的伪二维特征图；

所述稀疏检测模块将所述特征图列表、N个初始化为整个输入点云场景大小的可学习建议包围盒及与其对应的随机初始化可学习建议特征作为输入，提取每个可学习建议包围盒的RoI特征，将所述RoI特征与其对应的可学习建议特征通过一个动态卷积模块进行交互过滤掉无效的包围盒，然后根据动态卷积模块输出的目标特征得到最终的目标预测结果；

将待检测的点云场景输入训练优化后的三维目标检测网络，得到该待检测的点云场景中的目标预测结果。

2.根据权利要求1所述的方法，其特征在于，所述损失函数计算模块通过两阶段计算所述损失值：第一阶段为N-M匹配过程，目标是从所有N个预测中筛选出M个候选，然后采用基于匈牙利算法的二分匹配损失方法来计算逐对的匹配代价，确定出匹配对；第二阶段利用确定出的匹配对通过损失函数计算所述损失值；其中，是预测的分类结果和真实的类别标签之间的焦点损失，是归一化的预测包围盒和真实目标包围盒之间的L1损失，是将用于限制包围盒之间重叠程度的带有角度和高度信息的旋转三维DIoU损失；λ_cls,λ_L1和λ_IoU是设定系数。

3.根据权利要求2所述的方法，其特征在于，所述匹配代价为其中，代表真实目标的集合，代表N个预测结果，N＞M；逐对的代价为轴对齐的鸟瞰视角二维包围盒的IoU损失。

4.根据权利要求1或2或3所述的方法，其特征在于，所述稀疏检测模块的具体实现方法为：

4.1.采用N个可学习建议包围盒与其对应的可学习建议特征作为目标的候选；

4.2.通过丢弃可学习建议包围盒的位置和尺度中的纵向信息获得鸟瞰视角下对应的二维包围盒，从所述二维包围盒中提取对应的RoI特征；从而每个所述学习建议包围盒包括可学习建议特征与RoI特征；

4.3.将所述可学习建议特征输入到一个多头注意力模块和一个归一化层，学习所述可学习建议特征所代表的建议目标之间的关系；将所述RoI特征通过动态卷积模块与对应的可学习建议特征进行交互，以过滤掉无效的包围盒；

4.4.将动态卷积模块的输出作为最终的目标特征，用于计算预测的分类结果和包围盒回归参数，得到最终的目标预测结果。

5.根据权利要求1或2或3所述的方法，其特征在于，将所述动态卷积模块输出的目标特征通过两个多层感知器分支回归出每个预测目标的包围盒参数和类别，得到最终的目标预测结果。

6.根据权利要求1或2或3所述的方法，其特征在于，所述动态卷积模块将1×1卷积、LayerNorm和ReLU激活函数作为一个卷积单元并连续执行多次该卷积单元。

7.根据权利要求1或2或3所述的方法，其特征在于，所述三维特征提取模块将所述点云样本的各3D体素数据输入体素特征编码层中以提取每个3D体素的特征；然后将各3D体素特征组成的三维特征图输入到一组三维下采样卷积层中，得到所述点云样本对应的三维特征。