Page 51 - 《软件学报》2026年第5期

1930 软件学报 2026 年第 37 卷第 5 期

等难度样本的准确率提高了 1.75%, 困难样本的准确率提高了近 5%, 显著提升了在复杂情况下的检测效果. 此外,
引入伪点云数据使简单样本的准确率提高了 5% 以上, 并且在中等难度和困难样本上改善幅度更大, 因为其有助
于弥补纯点云数据的稀疏性问题.

表 4 各模块对模型性能的影响 (%)

方法 简单 中等 困难
[25]
Voxel R-CNN 89.41 84.52 78.93
+可变形注意力模块 89.55 86.27 83.83
+二维稀疏卷积模块 94.69 87.48 85.64
+双阶互馈模块 95.86 88.71 86.28

4.5.2 可变形注意力模块的效果
本节深入探讨了可变形注意力模块的作用, 实验结果如表 5 所示. 结果表明, 可变形注意力的初始化对模型性
能有着显著影响. 在三维空间中随机初始化的采样点会导致性能较差, 因为网格点特征集中在网格位置附近. 因
此, 在训练初期, 可变形注意力往往会捕捉到无关特征, 从而减缓收敛速度. 此外, 随着可变形注意力结构中采样点
数量的增加, 性能也会得到提升.

表 5 可变形注意力模块对模型性能的影响 (%)

可变形注意力
体素池化 简单 中等 困难
随机初始化 最近初始化 采样点数量
√ － － － 89.41 84.52 78.93
－ √ － 6 87.36 83.65 76.29
－ － √ 6 89.37 85.31 80.74
－ － √ 26 89.55 86.27 83.83

4.5.3 伪点云特征提取的影响
本节主要研究伪点云特征提取过程中本研究所提方法对于模型性能的影响, 其中主要研究了伪点云的初始特
征以及特征提取方法的影响. 本节的实验主要聚焦于伪点云的特征提取, 因此, 在真实点云和伪点云的特征融合方
面, 统一采用本研究所提的基于多模态交叉注意力的方法进行融合. 对于伪点云的初始特征, 本研究主要包含两个
部分, 分别是通过利用真实点云体素特征得到的多层次表征, 将这部分特征记为深层特征, 还包括伪点云已有的三
维坐标、二维图像 RGB 和二维像素坐标特征, 将这部分特征记为浅层特征. 对于深层特征, 本节还研究了参与深
层特征生成过程中参与插值的体素数量 K 对模型性能的影响. 本实验中使用的伪点云特征提取方法为二维稀疏
卷积方案. 实验结果如表 6 所示.

表 6 伪点云不同的初始特征对模型性能的影响 (%)

深层特征
浅层特征 简单 中等 困难
K=1 K=6 K=27
－ － － － 89.55 86.27 83.83
√ － － － 93.28 86.83 84.37
－ － √ － 94.92 87.39 85.39
√ √ － － 95.34 87.69 85.75
√ － √ － 95.86 88.71 86.28
√ － － √ 95.55 88.24 85.86

表 6 中第 1 行的实验结果为未使用伪点云特征进行融合的结果. 从实验结果中可得, 对于所有的检测样本, 伪
点云特征无论深层特征还是浅层特征均显著提升了模型的性能. 特别是对于简单样本, 伪点云特征提供了更加丰
富的特征描述, 大幅提升了模型对于简单样本的检测能力. 从表 6 中还可以看出, 同时使用两类特征对于模型性能