Lidar-Daten werden aufgrund ihrer geometrischen Eigenschaften häufig in Aufgaben der dreidimensionalen Objekterkennung eingesetzt. Aufgrund der Sparsamkeit und Unregelmäßigkeit der Punktwolkendaten ist es schwierig, ein Gleichgewicht zwischen der Qualität der Merkmalsextraktion und der Inferenzgeschwindigkeit zu erreichen. Dieser Artikel schlägt einen auf volumetrischen Säulenmerkmal-Codierungen basierenden Algorithmus zur 3D-Objekterkennung vor, der auf dem Pointpillars-Netzwerk basiert und einen Lehrer-Schüler-Modellrahmen zur Destillation der Regressionsbox-Skala entwickelt, Distillationsverluste hinzufügt, das Training des Netzmodells optimiert und die Qualität der Merkmalsextraktion verbessert. Um die Erkennungsleistung des Modells weiter zu verbessern, wurde ein positionsgesteuertes Klassifikationselement entworfen, das die Korrelation zwischen Klassifikations- und Regressionsvorhersagen erhöht und die Objekterkennungsgenauigkeit verbessert. Die Verbesserungen dieses Netzwerks führen nicht zur Einführung zusätzlicher eingebetteter Netzwerke. Experimentelle Ergebnisse auf dem KITTI-Datensatz zeigen, dass sich der durchschnittliche Genauigkeitswert im 3D-Modus von 60,65 % auf 64,69 % und im Vogelperspektivenmodus von 67,74 % auf 70,24 % gegenüber dem Baseline-Netzwerk verbessert hat. Die Modell-Inferenzgeschwindigkeit beträgt 45 FPS und erfüllt die Echtzeitanforderungen bei gleichzeitiger Verbesserung der Erkennungsgenauigkeit.

Lidar-Punktwolke;3D-Objekterkennung;Wissensdistillation;Klassifizierungsvertraulichkeit