Deep learning-based fusion networks with high-order attention mechanism for 3D object detection in autonomous driving scenarios

计算机科学 人工智能 跳跃式监视 深度学习 判别式 目标检测 卷积神经网络 比例(比率) 卷积(计算机科学) 激光雷达 模式识别(心理学) 特征(语言学) 最小边界框 机器学习 计算机视觉 图像(数学) 人工神经网络 语言学 哲学 物理 遥感 量子力学 地质学
作者
Haiyang Jiang,Yuanyao Lu,Duona Zhang,Yuntao Shi,Jingxuan Wang
出处
期刊:Applied Soft Computing [Elsevier]
卷期号:152: 111253-111253 被引量:3
标识
DOI:10.1016/j.asoc.2024.111253
摘要

In the realm of autonomous driving, accurately detecting 3D objects is both vital and challenging. Recently, deep convolutional networks have been successfully implemented in the fusion of LiDAR and camera data, delivering impressive results. However, prevailing approaches tend to concentrate on basic architectural designs and the use of fixed 3D bounding boxes, overlooking the exploration of feature interrelations and the varying scales of 3D objects. In this paper, we propose High-order Attention Mechanism Fusion Networks (HAMFNs) for image expression and multi-scale learning, based on a novel high-order attention mechanism with multi-scale detection and scale linear regression. High-order convolution layers are built for tenser filtering with discriminative representations of the holistic image. Multi-scale query module further characterizes the saliency properties of the 3D objects. Our tests on the nuScenes dataset show that HAMFNs outperform the latest top-performing methods, achieving a 0.7% increase in mean Average Precision (mAP). We further integrated high-order convolutional layers into ResNet-50, ResNet-101, and ResNet-152 architectures, enhancing their performance with minimal parameter increase. The Top-1 error rates were reduced by 1.65%, 1.63%, and 1.60% for each network, respectively.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
2秒前
在水一方应助Magic采纳,获得50
2秒前
xiong发布了新的文献求助30
3秒前
3秒前
4秒前
4秒前
wu发布了新的文献求助10
7秒前
落叶发布了新的文献求助10
8秒前
大牙发布了新的文献求助20
8秒前
moonlight发布了新的文献求助10
8秒前
梦中有琦发布了新的文献求助30
9秒前
科研通AI2S应助你好采纳,获得10
10秒前
11秒前
11秒前
13秒前
脑洞疼应助积极的又晴采纳,获得10
14秒前
xiong完成签到,获得积分10
16秒前
17秒前
octopus发布了新的文献求助10
17秒前
carly发布了新的文献求助20
18秒前
19秒前
一一应助缥缈翠霜采纳,获得10
22秒前
23秒前
24秒前
Magic发布了新的文献求助50
25秒前
ADD完成签到 ,获得积分10
26秒前
minarale关注了科研通微信公众号
27秒前
科研小牛马完成签到,获得积分10
27秒前
27秒前
youyuguang完成签到 ,获得积分10
28秒前
28秒前
slowstar完成签到 ,获得积分10
31秒前
LILING完成签到,获得积分20
31秒前
eghiefefe发布了新的文献求助10
31秒前
33秒前
科研通AI2S应助liusui采纳,获得10
33秒前
落叶发布了新的文献求助10
33秒前
35秒前
阻塞阀发布了新的文献求助10
35秒前
高分求助中
Production Logging: Theoretical and Interpretive Elements 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1200
BIOLOGY OF NON-CHORDATES 1000
进口的时尚——14世纪东方丝绸与意大利艺术 Imported Fashion:Oriental Silks and Italian Arts in the 14th Century 800
Autoregulatory progressive resistance exercise: linear versus a velocity-based flexible model 550
Zeitschrift für Orient-Archäologie 500
The Collected Works of Jeremy Bentham: Rights, Representation, and Reform: Nonsense upon Stilts and Other Writings on the French Revolution 320
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3352160
求助须知:如何正确求助?哪些是违规求助? 2977423
关于积分的说明 8679402
捐赠科研通 2658429
什么是DOI,文献DOI怎么找? 1455764
科研通“疑难数据库(出版商)”最低求助积分说明 674090
邀请新用户注册赠送积分活动 664631