何蕓倩， 夏桂華， 馮鴻超， 向晶， 胡乃元

(1.哈爾濱工程大學(xué) 智能科學(xué)與工程學(xué)院，黑龍江 哈爾濱 150001； 2.黑龍江省環(huán)境智能感知重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150001； 3.“船海裝備智能化技術(shù)與應(yīng)用”教育部重點(diǎn)實(shí)驗(yàn)室(哈爾濱工程大學(xué))，黑龍江 哈爾濱 150001)

船舶自主航行技術(shù)作為未來(lái)船舶領(lǐng)域的重點(diǎn)研究方向，融合了現(xiàn)代信息技術(shù)與人工智能技術(shù)[1-3]，其中船舶智能感知系統(tǒng)作為該技術(shù)的一個(gè)重要部分，能夠?yàn)橹悄芸刂茮Q策等高級(jí)任務(wù)提供關(guān)鍵的依據(jù)。在傳統(tǒng)的船舶航行環(huán)境感知中，主要依賴(lài)導(dǎo)航雷達(dá)、船舶自動(dòng)識(shí)別系統(tǒng)(automatic identification system, AIS)與全球定位系統(tǒng)(global positioning system, GPS)互補(bǔ)配合完成。而在智能船舶的航行環(huán)境感知中，基于視覺(jué)傳感器的探測(cè)結(jié)果彌補(bǔ)了中短距離內(nèi)的障礙物的檢測(cè)缺失，共同完成對(duì)海上環(huán)境的智能感知。

對(duì)于海上目標(biāo)，李忠智等[4]和袁國(guó)文等[5]基于合成孔徑雷達(dá)的遙感圖像進(jìn)行目標(biāo)檢測(cè)。而對(duì)于船載傳感器激光雷達(dá)，Halterman[6]分析了成熟的商用激光雷達(dá)在海上的采集效果，李小毛等[7]利用模擬激光雷達(dá)點(diǎn)云研究檢測(cè)方法。Zhou等[8]利用體素化結(jié)構(gòu)構(gòu)造檢測(cè)網(wǎng)絡(luò)對(duì)水上目標(biāo)進(jìn)行預(yù)測(cè)。Zhang等[9]利用多傳感器構(gòu)建水面無(wú)人艇的環(huán)境感知系統(tǒng)，利用激光雷達(dá)點(diǎn)云與相機(jī)同時(shí)進(jìn)行水面檢測(cè)并將結(jié)果融合。在基于點(diǎn)云數(shù)據(jù)的三維目標(biāo)檢測(cè)算法中，主要分為規(guī)則化體素結(jié)構(gòu)與原始點(diǎn)結(jié)構(gòu)這2種處理思路。由于點(diǎn)云數(shù)據(jù)是非規(guī)則化數(shù)據(jù)，即不存在初始的鄰接關(guān)系，PointPillar[10]、SECOND[11]、VoxelNet[12]等方法將點(diǎn)云數(shù)據(jù)先進(jìn)行柵格化處理，再經(jīng)過(guò)三維卷積等二維遷移方法進(jìn)行特征提取。PointRCNN[13]、3DSSD等[14]方法使用PointNet++[15-16]為主干網(wǎng)絡(luò)逐層聚合原始點(diǎn)特征，從而獲取基于采樣候選點(diǎn)的高階特征圖。另外，PV-RCNN[17]也表明將規(guī)則化與點(diǎn)結(jié)合也可以取得好的檢測(cè)效果，但伴隨而來(lái)是更多的計(jì)算資源損耗。

由于目前激光雷達(dá)設(shè)備的距離限制，大型船舶的點(diǎn)云數(shù)據(jù)集及基于學(xué)習(xí)算法的目標(biāo)檢測(cè)處于空白狀態(tài)。為了檢測(cè)激光雷達(dá)在海上目標(biāo)中的算法，本文利用等比縮小的油船自航模在人工湖中模擬了海上航行的場(chǎng)景，使用激光雷達(dá)采集點(diǎn)云數(shù)據(jù)并制作了船舶點(diǎn)云目標(biāo)檢測(cè)數(shù)據(jù)集。

1 船舶點(diǎn)云數(shù)據(jù)集

為了更好的模擬船舶航行狀態(tài)下的點(diǎn)云場(chǎng)景，參考開(kāi)源的街道場(chǎng)景點(diǎn)云數(shù)據(jù)集[18-19]，制作了一個(gè)海上船舶航行點(diǎn)云數(shù)據(jù)集。本文以1∶100的縮小比例尺選擇了2艘油船自航模作為待檢測(cè)的海上目標(biāo)，以廣闊的人工湖水域模擬開(kāi)闊的海上場(chǎng)景，將采集設(shè)備置于岸邊固定位置采集點(diǎn)云，采集現(xiàn)場(chǎng)如圖1所示。油船是海上常見(jiàn)的船型，主要是用來(lái)運(yùn)輸原油及其提煉成品的液貨船。本數(shù)據(jù)集利用相同比例構(gòu)建場(chǎng)景，使其能夠等效真實(shí)海上目標(biāo)的點(diǎn)云采集效果。另外為了豐富數(shù)據(jù)集，本文使用了數(shù)據(jù)增廣擴(kuò)充了單場(chǎng)景下的船舶的數(shù)量。

圖1 采集場(chǎng)景Fig.1 Visualization of the raw data

1.1 采集設(shè)備與采集對(duì)象

實(shí)驗(yàn)中點(diǎn)云的采集設(shè)備使用了RoboSense128線激光雷達(dá)，其垂直視角在-25°～+15°，垂直角分辨率達(dá)0.1°，實(shí)驗(yàn)中以600 rad/min的轉(zhuǎn)速每秒獲取10幀場(chǎng)景點(diǎn)云數(shù)據(jù)。實(shí)驗(yàn)中使用的2艘自航模如圖2所示均為油船船型，尺寸為別為：船模1長(zhǎng)寬高分別為170、 cm和22.2 cm，經(jīng)測(cè)量下水后吃水深度為8 cm，根據(jù)比例可以模擬船長(zhǎng)170 m載重約為3萬(wàn)噸的油船如圖2(a)所示；船模2長(zhǎng)寬高分別為123 cm、21 cm和26.2 cm，經(jīng)測(cè)量下水后吃水深度為7 cm，根據(jù)比例可模擬船長(zhǎng)為123 m載重萬(wàn)噸左右的油船如圖2(b)所示。

圖2 數(shù)據(jù)集制作使用的自航模Fig.2 The models used for dataset

在多數(shù)三維視覺(jué)數(shù)據(jù)集采集中大多是多傳感器(可見(jiàn)光相機(jī)與激光雷達(dá))聯(lián)合采集，但本次采集是單視覺(jué)傳感器(激光雷達(dá))采集，由圖3可知激光雷達(dá)點(diǎn)云在人工標(biāo)注中存在真值辨認(rèn)困難的問(wèn)題。特別是由于采集視角等問(wèn)題造成目標(biāo)上點(diǎn)云的缺失，使點(diǎn)云可視化中目標(biāo)形狀與方向角均難以準(zhǔn)確描述。為了在一定程度上解決這一問(wèn)題，在實(shí)驗(yàn)過(guò)程中，在船基安裝了磁羅經(jīng)與GPS模塊來(lái)獲取位置與航向角信息，采集的數(shù)據(jù)經(jīng)坐標(biāo)換算后用作數(shù)據(jù)集預(yù)標(biāo)簽。

圖3 采集的原始數(shù)據(jù)可視化Fig.3 Visualization of the raw data

船上固定安裝的磁羅經(jīng)設(shè)備以激光雷達(dá)坐標(biāo)系正方向校準(zhǔn)，在航行中記錄航向的變化根據(jù)坐標(biāo)系可轉(zhuǎn)化為相對(duì)方向角。利用船上的GPS系統(tǒng)與岸上的差分基站配合，船模地理位置信息精度可達(dá)到厘米級(jí)。設(shè)定同一GPS設(shè)備測(cè)量的激光雷達(dá)初始地理位置為原點(diǎn)，計(jì)算出船模在雷達(dá)坐標(biāo)系下的相對(duì)位置與點(diǎn)云信息對(duì)應(yīng)。同時(shí)GPS系統(tǒng)為船上設(shè)備與岸上激光雷達(dá)設(shè)備同步授時(shí)，使采集到的所有信息可以共享時(shí)間戳。

在制作數(shù)據(jù)集的標(biāo)注過(guò)程中，首先根據(jù)以上采集信息以及預(yù)測(cè)量的船舶尺寸預(yù)生成一個(gè)初始粗標(biāo)簽，再利用點(diǎn)云標(biāo)注軟件可視化，經(jīng)過(guò)人工的微調(diào)與篩選形成可視化后更為合理的最終真值標(biāo)簽。

1.2 數(shù)據(jù)統(tǒng)計(jì)與數(shù)據(jù)及制作

在采集連續(xù)點(diǎn)云數(shù)據(jù)中，經(jīng)過(guò)多層篩選共提取2 057幀場(chǎng)景構(gòu)建成數(shù)據(jù)集，其中每個(gè)原始場(chǎng)景僅包含一個(gè)目標(biāo)，以激光雷達(dá)坐標(biāo)原點(diǎn)為基準(zhǔn)，統(tǒng)計(jì)真值的距離分布如表1。實(shí)驗(yàn)中使用的激光雷達(dá)理論采集范圍在200 m之內(nèi)，但由表1中可知，采集的大部分場(chǎng)景目標(biāo)分布在10～40 m。

表1 船模中心點(diǎn)與零坐標(biāo)間的距離在數(shù)據(jù)集中的分布比例

由于船模體量較小，遠(yuǎn)距離目標(biāo)內(nèi)部點(diǎn)總數(shù)很少，其中圖4(a)為船模1在63 m處的采集樣本圖，僅包含13個(gè)點(diǎn)，圖4(b)中則為船模2在39 m距離處的采集樣本，僅含有23個(gè)點(diǎn)。由此，實(shí)驗(yàn)中的樣本最遠(yuǎn)距離保持在70 m以?xún)?nèi)，按照船模1∶100的比例，此數(shù)據(jù)集實(shí)際能夠等效7 km以?xún)?nèi)的海上目標(biāo)采集數(shù)據(jù)。

圖4 遠(yuǎn)距離樣本Fig.4 Long distance samples

為了增加場(chǎng)景的表述能力彌補(bǔ)采集數(shù)據(jù)的局限性，本文使用了幾種途徑在原始數(shù)據(jù)集下進(jìn)行數(shù)據(jù)增廣。首先將每個(gè)目標(biāo)真值框內(nèi)的點(diǎn)云集合單獨(dú)存儲(chǔ)作為一個(gè)樣本，然后將所有樣本組成一個(gè)樣本集，在每個(gè)場(chǎng)景中隨機(jī)插入樣本集中的目標(biāo)點(diǎn)云樣本，并設(shè)定每個(gè)場(chǎng)景下不超過(guò)5條船。在插入點(diǎn)云集合的過(guò)程中，對(duì)每個(gè)點(diǎn)云集合內(nèi)所有點(diǎn)進(jìn)行統(tǒng)一的隨機(jī)翻轉(zhuǎn)與縮放，其中翻轉(zhuǎn)沿著y坐標(biāo)軸，縮放比例設(shè)置為0.85～1.15倍。

最終得到增廣后的場(chǎng)景數(shù)據(jù)組成了船舶檢測(cè)實(shí)驗(yàn)的數(shù)據(jù)集，如圖5所示為增廣后的場(chǎng)景點(diǎn)云可視化圖。為了應(yīng)用學(xué)習(xí)型算法，將全部場(chǎng)景數(shù)據(jù)隨機(jī)劃分為2個(gè)部分，其中1 028個(gè)作為訓(xùn)練集，另外1 029個(gè)作為驗(yàn)證集。

圖5 數(shù)據(jù)增廣后場(chǎng)景可視化Fig.5 Scene visualization after data augmentation

為了驗(yàn)證數(shù)據(jù)集的有效性，本文應(yīng)用了4個(gè)經(jīng)典三維檢測(cè)算法，檢測(cè)結(jié)果如3節(jié)實(shí)驗(yàn)結(jié)果與分析中所示，均能訓(xùn)練收斂并取得良好的效果。

1.3 評(píng)價(jià)指標(biāo)

在實(shí)驗(yàn)中，檢測(cè)的指標(biāo)根據(jù)PASCAL VOC挑戰(zhàn)賽[20]中的定義，用平均精度(average precision, AP)評(píng)估三維檢測(cè)結(jié)果與鳥(niǎo)瞰圖檢測(cè)結(jié)果。定義真值與檢測(cè)結(jié)果的交并比超過(guò)50%為真陽(yáng)性，重復(fù)檢測(cè)為假陽(yáng)性。根據(jù)表1中真值中心點(diǎn)距離分布可以看出絕大多數(shù)目標(biāo)分布在40 m以?xún)?nèi)，根據(jù)表中分布統(tǒng)計(jì)將數(shù)據(jù)集中的樣本根據(jù)距離劃分為3個(gè)檢測(cè)難度類(lèi)別，其設(shè)定為：在30 m內(nèi)的目標(biāo)等效海上3 km以?xún)?nèi)的目標(biāo)，定義為簡(jiǎn)單樣本；在30～40 m等效海上3～4 km的目標(biāo)，定義為中等樣本；超過(guò)40 m的目標(biāo)等效海上4 km以外的目標(biāo)，定義為困難樣本。

2 海上目標(biāo)檢測(cè)算法結(jié)構(gòu)

在基于原始點(diǎn)結(jié)構(gòu)的三維目標(biāo)檢測(cè)網(wǎng)絡(luò)中，3DSSD是應(yīng)用在車(chē)輛點(diǎn)云的單階段檢測(cè)器，能夠快速地從原始點(diǎn)云上直接進(jìn)行采樣與特征提取，端對(duì)端的獲得場(chǎng)景的檢測(cè)結(jié)果。盡管此網(wǎng)絡(luò)結(jié)構(gòu)能夠高效地處理車(chē)輛點(diǎn)云，但是針對(duì)此船模數(shù)據(jù)集，原有網(wǎng)絡(luò)設(shè)置稍顯冗余。為了加快運(yùn)行速度以及減少計(jì)算資源，在原有結(jié)構(gòu)上進(jìn)行了如下改進(jìn)：1)適應(yīng)性網(wǎng)絡(luò)剪枝；2)提出一個(gè)LA模塊對(duì)每個(gè)候選預(yù)測(cè)特征進(jìn)行內(nèi)部注意力優(yōu)化。

2.1 檢測(cè)網(wǎng)絡(luò)框架

網(wǎng)絡(luò)骨干部分延續(xù)了PointNet++網(wǎng)絡(luò)結(jié)構(gòu)由點(diǎn)集提取(set abstraction，SA)模塊堆疊，在每一個(gè)SA模塊中包含采樣層、分組層、多層感知機(jī)以及池化層。采樣層使用最遠(yuǎn)點(diǎn)采樣的方式從當(dāng)前點(diǎn)集中選取一定數(shù)量的點(diǎn)，最遠(yuǎn)距離計(jì)算包括了歐氏距離(distance farthest point sampling, D-FPS)以及特征空間距離(feature farthest point sampling, F-FPS)，而混合采樣(fusion sampling, FS)融合了2種距離計(jì)算方式。在分組過(guò)程中，以選中的采樣點(diǎn)為中心，點(diǎn)集中在設(shè)定半徑內(nèi)選取不超過(guò)k個(gè)點(diǎn)，組成分組點(diǎn)集的特征矩陣用于描述當(dāng)前采樣點(diǎn)。然后將特征矩陣使用多層感知機(jī)映射到高維空間，最后經(jīng)過(guò)池化層聚合每個(gè)分組內(nèi)的特征，得到每個(gè)采樣點(diǎn)的特征表達(dá)。

本文使用的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，其中特征提取骨架由2個(gè)SA層堆疊，第2層使用混合采樣后得到2×n2個(gè)點(diǎn)，其中前n2個(gè)由F-FPS采樣方式得到的前景點(diǎn)作為初始候選點(diǎn)，初始候選點(diǎn)經(jīng)過(guò)投票網(wǎng)絡(luò)[21]進(jìn)行位置偏移，使其盡可能的靠近目標(biāo)真值中心的位置。最后再以偏移后的候選點(diǎn)為中心點(diǎn)，使用一個(gè)改進(jìn)的局部注意力(local attention, LA)層進(jìn)行最終的候選點(diǎn)特征提取，這一層得到的特征包含了對(duì)應(yīng)每個(gè)候選點(diǎn)的預(yù)測(cè)信息特征，最終映射成類(lèi)別與預(yù)測(cè)框2個(gè)子任務(wù)的結(jié)果。

圖6 檢測(cè)網(wǎng)絡(luò)總體結(jié)構(gòu)Fig.6 The overall structure of detection network

2.2 局部注意力增強(qiáng)模塊

本文使用的檢測(cè)網(wǎng)絡(luò)框架為單階段網(wǎng)絡(luò)，為了增強(qiáng)候選點(diǎn)的特征描述能力，提出了一個(gè)局部注意力特征增強(qiáng)模塊LA層，在以每個(gè)候選點(diǎn)為中心的分組特征內(nèi)部，進(jìn)行個(gè)體級(jí)與維度級(jí)的特征注意力向量生成，2個(gè)注意力向量結(jié)合形成注意力圖，與原特征圖融合從而增強(qiáng)局部特征一致性的表達(dá)，從而提升檢測(cè)的精確度。

假定當(dāng)前輸入點(diǎn)集為X，其中前景點(diǎn)經(jīng)過(guò)偏移得到候選點(diǎn)集XV，那么對(duì)于任一xi∈Xv，將點(diǎn)集X中所有與其距離小于設(shè)定半徑r的點(diǎn){xj∈X|d(xi,xj)

Fa=F1F2∈Rk×C

(1)

然后將注意力矩陣與維度相同的特征矩陣F′共同經(jīng)過(guò)線性映射得到最終的組合特征，最后利用池化層獲得局部的特征Fout∈RCout。

2.3 損失函數(shù)

整體的損失函數(shù)L由分類(lèi)損失Lc、位置框損失Lr、旋轉(zhuǎn)角度損失La、角位置損失Lcor以及候選點(diǎn)偏移損失Ls組成：

(2)

損失函數(shù)計(jì)算全部候選點(diǎn)的分類(lèi)損失Lc及ti>0的正樣本位置框的Lr、La與Lcor3種損失，以及偏移后正樣本的偏移損失Ls，其中位置表示為中心點(diǎn)位置與長(zhǎng)寬高，角位置表示為位置框8個(gè)角點(diǎn)坐標(biāo)。正樣本與偏移正樣本的分別是落在真值框內(nèi)的點(diǎn)與偏移后落在真值框內(nèi)的點(diǎn)。

圖7 局部注意力優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 The structure of the local attention(LA) layer

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證點(diǎn)結(jié)構(gòu)三維目標(biāo)檢測(cè)網(wǎng)絡(luò)在船舶點(diǎn)云數(shù)據(jù)集中的效果，使用了4個(gè)單階段網(wǎng)絡(luò)PointPillar[10]、SECOND[12]、3DSSD[14]和SASA[15]與本文提出的LASSD網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)，從準(zhǔn)確率與計(jì)算資源分別進(jìn)行對(duì)比，此外還詳細(xì)描述了網(wǎng)絡(luò)剪枝與優(yōu)化的過(guò)程以及效果變化。

3.1 網(wǎng)絡(luò)參數(shù)設(shè)置

在LASSD網(wǎng)絡(luò)中根據(jù)點(diǎn)云目標(biāo)在數(shù)據(jù)集中的分布，對(duì)于輸入的原始點(diǎn)云首先根據(jù)背景分布濾除遠(yuǎn)距離點(diǎn)，只保留沿著x×y×z軸下范圍分別在[0.5,50]×[-20,30]×[-1.5,0.5]之內(nèi)的點(diǎn)。

如圖6中所示的2個(gè)SA層中，第1個(gè)SA模塊僅使用D-FPS采樣方式獲取512個(gè)采樣點(diǎn)，第2個(gè)SA模塊中使用F-FPS與D-FPS分別采樣128個(gè)點(diǎn)，其中前者采樣的128個(gè)點(diǎn)作為前景點(diǎn)傳入投票網(wǎng)絡(luò)進(jìn)行中心點(diǎn)偏移。在3組采樣特征提取的多層感知機(jī)中，特征映射的維度設(shè)置分別為(16，32，64)、(64，128，128)和(128，256)。在訓(xùn)練過(guò)程中，網(wǎng)絡(luò)使用了ADAM優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.001，使用8個(gè)批次在一塊1 080 Ti GPU上訓(xùn)練，每次訓(xùn)練了30輪。

3.2 檢測(cè)結(jié)果

在實(shí)驗(yàn)中，首先將多個(gè)方法分別在自制的船舶數(shù)據(jù)集中進(jìn)行試驗(yàn)，經(jīng)過(guò)對(duì)比本文提出的LASSD在三維目標(biāo)檢測(cè)中取得優(yōu)秀的結(jié)果，可視化結(jié)果如圖8所示。本文選取了4個(gè)檢測(cè)結(jié)果的區(qū)域放大圖，以便更清晰的表現(xiàn)網(wǎng)絡(luò)檢測(cè)效果。在圖中真值框用綠色表示，而算法的檢測(cè)結(jié)果框用藍(lán)色標(biāo)出。

圖8 船舶檢測(cè)結(jié)果可視化Fig.8 Visualization of the ship detection results

對(duì)于檢測(cè)效果評(píng)判指標(biāo)，本文同時(shí)使用了常用的11點(diǎn)召回評(píng)測(cè)方法如表2所示，以及MonoDIS[22]中描述的40點(diǎn)召回評(píng)測(cè)方法如表3所示，并對(duì)比了提出的LASSD以及其他3種經(jīng)典方法分別在簡(jiǎn)單、中等和困難級(jí)別下的三維準(zhǔn)確率和鳥(niǎo)瞰圖(bird eye view, BEV)準(zhǔn)確率。

表2 11點(diǎn)召回下檢測(cè)精度性能對(duì)比Table 2 Performance comparison in the mean average precision with 11 recall positions

表3 40點(diǎn)召回下檢測(cè)精度性能對(duì)比Table 3 Performance comparison in the mean average precision with 40 recall positions

對(duì)于三維目標(biāo)檢測(cè)結(jié)果，LASSD無(wú)論對(duì)比規(guī)則化輸入方法還是原始點(diǎn)結(jié)構(gòu)方法均能夠取得最好的效果，在11點(diǎn)召回評(píng)測(cè)的中等級(jí)別檢測(cè)率達(dá)到79.42%，比同樣以原始點(diǎn)結(jié)構(gòu)的3DSSD方法提升9個(gè)百分比。另外在40點(diǎn)召回率下取得77.88%的準(zhǔn)確率，簡(jiǎn)單級(jí)別檢測(cè)率則能達(dá)到85.13%。

在鳥(niǎo)瞰圖檢測(cè)中，盡管規(guī)則化結(jié)構(gòu)的網(wǎng)絡(luò)普遍取得良好的效果，但LASSD仍在簡(jiǎn)單級(jí)別的樣本中取得了較高的準(zhǔn)確率，對(duì)應(yīng)11點(diǎn)召回率與40點(diǎn)召回率分別達(dá)到90.37%與91.83%。由于船舶航行過(guò)程中由于波浪的變化，導(dǎo)致水面以上船模高度產(chǎn)生變化，由結(jié)果可知，規(guī)則化結(jié)構(gòu)方法對(duì)于鳥(niǎo)瞰圖預(yù)測(cè)結(jié)果隨著難度增加比點(diǎn)結(jié)構(gòu)方法效果穩(wěn)定，則另一方面來(lái)說(shuō)，LASSD對(duì)于高度的預(yù)測(cè)準(zhǔn)確率要比規(guī)則化結(jié)構(gòu)的方法穩(wěn)定。

3.3 輕量化分析

在實(shí)驗(yàn)中，為了量化LASSD網(wǎng)絡(luò)輕量化程度，本文對(duì)比了4種經(jīng)典方法的參數(shù)量以及運(yùn)行速度，如表4所示。本文的方法在保持精度的情況下運(yùn)行速度最快，并且參數(shù)量?jī)H有5.3×106，遠(yuǎn)小于其他方法，甚至不足SECOND與PointPillar網(wǎng)絡(luò)參數(shù)的10%。在網(wǎng)絡(luò)構(gòu)造時(shí)，主要減少了網(wǎng)絡(luò)多層感知的層數(shù)使得GPU計(jì)算量減少，但LASSD中每個(gè)SA層仍存在最遠(yuǎn)點(diǎn)采樣操作的CPU計(jì)算影響了運(yùn)算的速度，所以參數(shù)量與時(shí)間并非成比例縮小。最終的模型不僅速度快，運(yùn)行時(shí)顯存占用也十分有限，能夠比較容易地搭載在船載實(shí)驗(yàn)?zāi)K中，利用較少的計(jì)算資源達(dá)到實(shí)時(shí)檢測(cè)。

表4 模型參數(shù)量與運(yùn)行時(shí)間對(duì)比

3.4 消融實(shí)驗(yàn)

在實(shí)驗(yàn)過(guò)程中，本文以3DSSD為基線進(jìn)行網(wǎng)絡(luò)剪枝，由于3DSSD原本結(jié)構(gòu)設(shè)計(jì)是為了服務(wù)于更為復(fù)雜的車(chē)輛檢測(cè)，應(yīng)用在水上場(chǎng)景時(shí)參數(shù)的設(shè)定存在冗余現(xiàn)象，于是從結(jié)構(gòu)到網(wǎng)絡(luò)層均進(jìn)行剪枝，具體的幾個(gè)重要剪枝部分結(jié)果對(duì)比如表5。

表5 模型剪枝精度對(duì)比Table 5 Comparison of model pruning

其中基線設(shè)置為：特征提取中使用了3個(gè)SA模塊作為骨架，采樣點(diǎn)個(gè)數(shù)分別為512、256和128，對(duì)應(yīng)的映射維度設(shè)置分別為(16，32，64)、(64，128，128)和(128，256，256)，此時(shí)的參數(shù)量為30.5 M。表中的第2組實(shí)驗(yàn)首先將特征提取結(jié)構(gòu)減少至2個(gè)SA模塊并適應(yīng)性調(diào)整特征維度與采樣半徑，將參數(shù)量降至7.9×106，由于原本的網(wǎng)絡(luò)參數(shù)設(shè)置對(duì)于船舶檢測(cè)過(guò)于復(fù)雜，適當(dāng)?shù)臏p少參數(shù)量能夠更好的擬合網(wǎng)絡(luò)，取得更好的結(jié)果79.20%。

隨后進(jìn)一步減少了每個(gè)SA模塊中的映射層數(shù)，由基線中每次映射的3個(gè)線性層堆疊減少為2個(gè)線性層堆疊，再次將參數(shù)量縮小至只有原有的1/7的4.3×106，然而此時(shí)的精度已經(jīng)受到了影響降為71.03%。

本文提出了一個(gè)由3DSSD中CG層的設(shè)計(jì)改進(jìn)的LA層，在特征聚合時(shí)融入局部注意力機(jī)制，在增加少量參數(shù)的情況下，將檢測(cè)精度提升到79.42%的水平，最終的參數(shù)量為5.3×106。

4 結(jié)論

1)本文利用自航船模在人工湖中模擬了海上航行環(huán)境，制作了一個(gè)小體量船舶點(diǎn)云數(shù)據(jù)集。數(shù)據(jù)集能夠等效海面7 km內(nèi)的船舶目標(biāo)采集數(shù)據(jù)，經(jīng)過(guò)多種深度學(xué)習(xí)目標(biāo)檢測(cè)算法的驗(yàn)證，該船舶點(diǎn)云數(shù)據(jù)集穩(wěn)定收斂，可以用作相關(guān)船舶檢測(cè)的算法研究。

2)提出的適用于船舶點(diǎn)云目標(biāo)檢測(cè)的輕量型目標(biāo)檢測(cè)網(wǎng)絡(luò)LASSD，使用網(wǎng)絡(luò)剪枝減少了網(wǎng)絡(luò)訓(xùn)練參數(shù)，基于候選目標(biāo)的高階點(diǎn)云特征局部注意力(LA)模塊提升算法精度。通過(guò)與其他相關(guān)算法的對(duì)比，本文方法以最少的計(jì)算資源損耗達(dá)到最好的精度效果。

3)本文方法能夠以13.5 ms/幀完成場(chǎng)景的檢測(cè)，并在3～4 km的距離下達(dá)到79.42%的檢測(cè)水平，在實(shí)際船舶航行中，該激光雷達(dá)的點(diǎn)云目標(biāo)檢測(cè)能夠作為手段之一，與船舶的雷達(dá)、AIS和電子海圖融合，實(shí)現(xiàn)船舶自主航行對(duì)海上目標(biāo)檢測(cè)的要求。

船模數(shù)據(jù)與人工湖的模擬場(chǎng)景與實(shí)際海上環(huán)境存在差別，未來(lái)的工作將重點(diǎn)研究實(shí)際船舶數(shù)據(jù)與算法遷移。