摘要：为解决点云三维目标检测算法中单阶段网络与双阶段网络在检测精度和检测效率之间难以平衡的问题,提出一种基于点云体素的伪双阶段三维目标检测网络—AFPNet。构建轻量化的中心热图模块预测目标中心点,去除传统区域建议网络中的锚框设置与非极大值抑制操作。为更好地利用多尺度体素特征,设计了AFP-Cross-Attention模块,通过设计的自适应特征池化(AFP)方法,在多尺度体素中提取高价值特征并进行交叉注意力计算,与全局注意力相比有效减少了计算量。基于AFP方法搭建了AFP-Transformer检测头,建模查询特征与高价值特征的依赖关系,提升网络精度。实验结果表明:在KITTI数据集上,所提方法在3种主要目标类别的平均精度均值(mAP)方面相较基准方法分别提升了1.43%、5.23%和4.41%,平均每帧推理时间为34.19 ms,有效缩短了单阶段和双阶段网络之间的精度差距,保留了良好的检测效率。

摘要：由于采集的图像中存在遮挡、图像分辨率低、人姿态发生改变等干扰因素,行人重识别的研究极具挑战性。为此,文章提出基于注意力机制与多粒度特征的行人重识别网络。首先,针对行人姿态的改变,设计了一种多粒度特征提取模块,使用多分支网络联合注意力机制提取多层次全局特征与局部特征。其次,针对行人局部未对齐问题,文章提出了一种邻域自适应特征融合模块。此外,为保留更多的有用信息,文章还设计了一个自适应特征池化模块。在两个公开数据集进行了实验,与其他方法的比较结果验证了所提出方法的有效性。