Page 46 - 《软件学报》2026年第5期

唐文能 等: 交通场景多模态双阶反馈的三维目标检测方法 1925

并对伪点云进行裁剪, 仅保留目标周围区域. 伪点云裁剪的效果图如图 5(a) 所示. 该方法仅处理裁剪后的数据, 显
著减少了点云规模, 同时最大程度降低了深度补全误差对检测结果的干扰. 随后, 研究重点转向对 RoI 内伪点云的
特征提取.

(a) 伪点云裁剪效果图 (b) 伪点云投影至
二维平面效果图
图 5 伪点云裁剪效果图及投影至二维平面效果图

传统基于点的处理方法效率低下, 而基于体素的方法在处理复杂数据时存在困难, 均不适用于伪点云 RoI 的
特征提取. 二维稀疏卷积通过将伪点云从三维空间重投影至二维图像空间, 利用卷积网络高效提取特征. 它避免了
对空值位置的无效计算, 降低了计算复杂度, 加速了处理速度, 同时保留了三维特征信息和图像域的有序性. 为此,
本文提出将伪点云数据从三维空间重投影至二维图像空间, 并通过高效的二维稀疏卷积实现特征提取. 伪点云投
影至二维平面的效果图如图 5(b) 所示. 在图 6 中, 展示了基于二维稀疏卷积进行特征提取的流程, 可以看出, 该方
法在图像域中保留了三维特征信息, 同时充分利用了图像处理的高效性.

二维子流形稀疏卷积
C 拼接 相加

伪点云原始特征
C

伪点云感兴趣区域特征

伪点云体素初始化特征
图 6 基于二维稀疏卷积的伪点云特征提取图

伪点云数据通过二维图像的深度补全生成, 其不仅包含三维点云的空间信息, 还包含伪点云在二维图像上的

规则坐标以及颜色等信息. 因此, 伪点云的初始特征可描述为 (x,y,z,r,g,b,u,v), 其中 (x,y,z) 为伪点云在三维空间中
的坐标, (r,g,b) 为伪点云的颜色信息, (u,v) 为伪点云对应像素在二维图像上的坐标.
为提升伪点云的表征能力并降低计算开销, 我们提出一种多模态伪点云特征初始化技术. 该方法利用插值体
素特征对伪点云特征进行初始化, 具体通过计算伪点云的体素坐标, 快速识别其周围体素, 并基于邻域空实性和距
离权重对特征进行聚合. 特征初始化过程在各层级体素特征上分别执行, 具体定义如下:

l
d ∗ E l
l
w = k k (4)
k
K ∑(
)
l
d ∗ E l
k k
k=1

 
K
∑( ) 
l

l 
f i = Concat L    w ∗ f   (5)
k
k 
l=1 
k=1
l
其中, w 表示第 层中伪点云体素的第 个邻域体素权重, d 为该邻域体素到伪点云体素的距离, E 表示邻域体
l
l
l
k
k k k
素是否为空 (空为 0, 否则为 1), *表示加权乘积操作, f i 为初始化后的网格特征. 最终的伪点云特征表示为
( f i , x,y,z,r,g,b,u,v).