كشف الأهداف ثلاثية الأبعاد واسع الاستخدام في مجالات مثل القيادة الذاتية والذكاء المتجسد، لكنه يواجه مشكلات تمييزية وصعوبة في الكشف عن الأهداف ذات الميزات الضعيفة في المشهد (مثل الأجسام الصغيرة البعيدة أو المغطاة). لذلك، يقترح هذا البحث طريقة سريعة للكشف عن الأهداف ذات الميزات الضعيفة ثلاثية الأبعاد مع تعزيز السياق المحلي. أولاً، لحل مشكلة التعبير الضعيف لميزات الأهداف، تم اقتراح وحدة تعزيز الميزات المحلية النادرة (Local Sparse Feature Enhancement Module ، LSFE)، والتي تعزز التعبير عن الميزات النادرة عن طريق تعديل أوزان الخصائص في المواقع المكانية المحلية بشكل تكيفي، مما يزيد من حساسية النموذج لهذه الميزات النادرة. ثانياً، نظراً لصعوبة تأثر الأهداف ذات الميزات الضعيفة بتداخل الخلفية، تم اقتراح وحدة تعلم السياق متعددة المقاييس (Multi Scale Context Learning Module ، MSCL) التي تجمع بين آليات الانتباه في الأبعاد المكانية والقنوات للحصول على معلومات سياقية مكانية متعددة المقاييس وتقليل تداخل الخلفية. أخيراً، لتعزيز استغلال ميزات الأهداف السطحية بشكل أفضل، تمت إضافة طبقة ميزات عالية الدقة في هيكل رأس الكشف بالشبكة لتعزيز القدرة على إدراك التفاصيل في الأهداف ذات الميزات الضعيفة. أظهرت التجارب على مجموعة KITTI أن الطريقة المقترحة حسنت بشكل ملحوظ دقة الكشف عن الأهداف ذات الميزات الضعيفة مقارنةً بالطرق الأساسية، حيث زادت mAP لفئة المشاة بنسبة 12.78٪، وزادت mAP لفئة راكبي الدراجة بنسبة 2.69٪، وزادت mAP لفئة السيارات بنسبة 6.84٪. تتيح هذه الطريقة الكشف عالي الدقة في الوقت الفعلي، مقدمة حلاً فعالاً للكشف ثلاثي الأبعاد للأهداف في المشاهد المعقدة.

القيادة الذاتية;بيانات سحابة النقاط;كشف الأهداف ثلاثية الأبعاد;كشف الأهداف ذات الميزات الضعيفة;تعلم السياق المحلي