来源：期刊VIP网 时间：
作者：李小松;刘佳涛;
单位：太原科技大学电子信息工程学院;先进控制与装备智能化山西省重点实验室;
摘要：针对PointPillars算法对小目标检测精度不足及易出现漏检和误检的问题，本文提出一种基于改进PointPillars的3D小目标检测算法：在主干网络中加入了轻量级注意力机制ECA,以增强网络对输入特征的表征能力，提高检测精度；同时为了在深层模型中有更好的效果，将ReLU激活函数替换为Hardswish激活函数，有效解决梯度消失的问题。在KITTI数据集上的验证实验表明，改进后的框架算法有效地提升了对小目标的检测能力，在鸟瞰图下，目标检测的平均均值精度(mAP)的中等难度均值(MmAP)为71.31%,相比原算法提升了5.62个百分点；相比其他主流模型，也能更好地检测小目标及遮挡目标。
关键词：目标检测;;注意力机制;;PointPillars算法;;深度学习
基金资助：山西省重点研发计划项目(202102020101005);; 太原市“双百攻关行动”第一批“揭榜挂帅”项目(2024TYJB0133)
