تتأثر خوارزمية اكتشاف الأجسام الثلاثية الأبعاد المستندة إلى بيانات سحابة نقاط الليزر بكمية البيانات الكبيرة، مما يجعل من المستحيل تحقيق توازن بين السرعة والدقة. قدمت هذه الورقة خوارزمية محسنة لاكتشاف الأجسام الثلاثية الأبعاد تسمى Pillar RCNN. أولاً، يتم تقسيم فضاء سحابة النقاط إلى خلايا فوكسل، ويُستخدم شبكة عصبية ثلاثية الأبعاد تعتمد على الالتفافات المتناثرة لتحويل خلايا الفوكسل تدريجياً إلى فوكسلات عمودية، حيث يتم تحويل المعلومات الثلاثية الأبعاد إلى معلومات ثنائية الأبعاد مدمجة. ثم تُستخدم شبكة عصبية ثنائية الأبعاد لاستخلاص الميزات، وفي الوقت نفسه تتم ربط ميزات الفوكسل على مقاييس مختلفة من الشبكة ثلاثية الأبعاد مع الشبكة ثنائية الأبعاد من خلال وحدة تجميع ميزات الفوكسل متعددة المقاييس، ويتم تحسين صناديق الكشف باستخدام دالة الخسارة. تم اختبار الخوارزمية على مجموعة بيانات KITTI العامة، حيث بلغت سرعة التعرف على منصة RTX 2080Ti 2.48 مللي ثانية. مقارنةً بخوارزمية PointPillars المرجعية، تحسنت نتائج الكشف لفئة الدراجات المتوسطة الصعوبة بنسبة 13.34٪، وللكشف عن السيارات في الصعوبة العالية بنسبة 8.85٪، كما تحسنت دقة الكشف لفئات أخرى، مما حقق توازنًا بين السرعة والدقة.

رؤية حاسوبية; كشف الأجسام الثلاثية الأبعاد; فوكسل; الالتفافات المتناثرة; تجميع الميزات