【文件属性】：
文件名称：SA-Det3D:SA-Det3D
文件大小：1.2MB
文件格式：ZIP
更新时间：2021-05-05 05:56:46
point-cloud pytorch object-detection autonomous-driving 3d-deep-learning
SA-Det3D：基于自我注意的上下文感知3D对象检测
由 ， 和。
我们提供代码支持和配置文件以重现本文中的结果： 。 我们的代码基于 ，它是一个干净的开源项目，用于对3D对象检测方法进行基准测试。
概述
图。1。 自我注意增强了全局上下文感知的骨干网络。
在本文中，我们通过使用自注意力特征增强卷积特征来探索3D对象检测中用于上下文建模的自注意力的变体。 我们首先将成对的自我关注机制整合到当前基于BEV，体素，点和点体素的检测器中，并在强大的基线模型上显示出持续改进，同时显着减少了其参数占用空间和计算成本。 我们称此变体为完全自我注意（ FSA ）。 我们还提出了一种自我注意变体，该变体通过学习随机采样位置上的变形来采样最具代表性的特征的子集。 这不仅使我们能够将显式全局上下文建模扩展到更大的点云，而且还导致更具判别性和信息性的特征描述符。 我们称这种变体为可变形的自我注意（ D
【文件预览】：
SA-Det3D-main
----init.sh(684B)
----.gitmodules(89B)
----configs()
--------waymo_second_dsa.yaml(4KB)
--------pointpillar_fsa.yaml(5KB)
--------nuscenes_pointpillar_dsa.yaml(8KB)
--------second_red.yaml(3KB)
--------pointpillar_dsa.yaml(5KB)
--------second_fsa.yaml(3KB)
--------pointrcnn_red.yaml(4KB)
--------pvrcnn_dsa.yaml(7KB)
--------second_dsa.yaml(4KB)
--------pointpillar_red.yaml(4KB)
--------pvrcnn_fsa.yaml(7KB)
--------pointrcnn_fsa.yaml(4KB)
--------pointrcnn_dsa.yaml(4KB)
----src()
--------ops()
--------models()
--------tools()
----requirements.txt(75B)
----LICENSE(1KB)
----README.md(8KB)
----docs()
--------demo_params_flops.png(72KB)
--------demo_qual.png(621KB)
--------GETTING_STARTED.md(838B)
--------overview.png(480KB)
--------INSTALL.md(2KB)
----OpenPCDet()