يتم تطبيق الكشف عن الأهداف الثلاثية الأبعاد على نطاق واسع في مجالات مثل القيادة الذاتية والذكاء المجسد، ولكنه يعاني من مشاكل في تمييز الأهداف ذات الميزات الضعيفة في المشهد (مثل الأجسام الصغيرة البعيدة أو المغطاة) وصعوبة الكشف عنها. لذلك، تقترح هذه المقالة طريقة سريعة للكشف عن الأهداف الضعيفة ثلاثية الأبعاد مع تعزيز السياق المحلي. أولاً، لمعالجة صعوبة التعبير عن الميزات الضعيفة بسبب ندرة الملامح، تم اقتراح وحدة تعزيز الميزات النادرة المحلية (Local Sparse Feature Enhancement Module، LSFE)، التي تعزز قدرة التعبير عن الميزات النادرة من خلال تعديل وزن الميزة موضعياً وبشكل تكيفي في الفضاء المحلي، مما يزيد من حساسية النموذج للميزات النادرة. ثانيًا، لمعالجة صعوبة تأثر الأهداف ذات الميزات الضعيفة بتداخل الخلفية، تم اقتراح وحدة تعلم السياق متعددة المقاييس (Multi Scale Context Learning Module، MSCL)، التي تجمع بين آلية الانتباه على المستويين المكاني والقنوي للحصول على معلومات سياقية مكانية متعددة المقاييس وكبح تداخل الخلفية. أخيرًا، لتعزيز استخدام الميزات السطحية للأهداف، تمت إضافة طبقة ميزات عالية الدقة في هيكل رأس الكشف بالشبكة، مما يعزز قدرة إدراك التفاصيل للأهداف ذات الميزات الضعيفة. أظهرت النتائج التجريبية على مجموعة بيانات KITTI أن الطريقة المقترحة حسّنت بشكل ملحوظ دقة الكشف عن الأهداف ذات الميزات الضعيفة مقارنة بالطريقة الأساسية، حيث زاد متوسط الدقة المقاسة (mAP) لفئة المشاة بنسبة 12.78٪، وفئة راكبي الدراجات بنسبة 2.69٪، ومتوسط الدقة الكلية لفئة السيارات بنسبة 6.84٪. تحقق هذه الطريقة دقة عالية في الكشف مع الحفاظ على سرعة الاستدلال في الوقت الحقيقي، مما يوفر حلاً فعالاً لكشف الأهداف الثلاثية الأبعاد في السيناريوهات المعقدة.

القيادة الذاتية;بيانات النقاط;الكشف عن الأهداف الثلاثية الأبعاد;الكشف عن الأهداف ذات الميزات الضعيفة;تعلم السياق المحلي