文献类型：期刊文章

作　　者：迟旭然[1] 裴伟[2] 朱永英[3] 王春立[1] 史良宇[4] 李锦峰[1]

CHI Xu-ran;PEI Wei;ZHU Yong-ying;WANG Chun-li;SHI Liang-yu;LI Jin-feng(College of Information Science and Technology,Dalian Maritime University,Dalian 116026,China;College of Environmental Science and Engineering,Dalian Maritime University,Dalian 116026,China;Collegeof Ocean and Civil Engineering,Dalian Ocean University,Dalian 116026,China;Advanced Institute of Science and Technology,Ishikawa 923-1292,Japan)

机构地区：[1]大连海事大学信息科学技术学院,辽宁大连116026 [2]大连海事大学环境科学与工程学院,辽宁大连116026 [3]大连海洋大学海洋与土木工程学院,辽宁大连116026 [4]北陆先端科学技术大学院大学,日本石川9231292

出　　处：《小型微型计算机系统》

基　　金：国家自然科学基金项目(61001158,61272369,61370070)资助;辽宁省自然科学基金项目(2014025003)资助;辽宁省教育厅科学研究一般项目(L2012270)资助;大连市科技创新基金项目(2018J12GX043)资助.

年　　份：2022

卷　　号：43

期　　号：10

起止页码：2157-2161

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：智能机器人、无人驾驶等技术的飞速发展在引领产业变革的同时对环境感知技术提出了新的挑战.基于视觉的三维目标检测算法的性能有了大幅提升,直逼激光雷达,但检测速度离产业实时性需求还有较大差距,成为产业发展的瓶颈之一.鉴于此,本文提出一种基于Stereo-RCNN的Fast Stereo-RCNN三维目标检测算法,用单支路网络检测三维框的多个角点重构三维中心点,轻量区域生成网络固化三维关键点,二分支关键点检测网络锐化目标辨识能力,双层特征融合网络缩短低层特征到高层特征的传递路径.实验结果表明,Fast Stereo-RCNN在检测精度提高的同时检测时间从0.3秒/帧降到了0.11秒/帧,提高了1.72倍.

关 键 词：人工智能 深度学习  三维目标检测  无人驾驶

分 类 号：TP181]