Les données lidar, en raison de leurs caractéristiques géométriques, sont largement utilisées dans les tâches de détection d'objets 3D. En raison de la rareté et de l'irrégularité des données de nuages de points, il est difficile d'équilibrer la qualité de l'extraction des caractéristiques et la vitesse d'inférence. Cet article propose un algorithme de détection d'objets 3D basé sur un codage des caractéristiques en piliers volumétriques, reposant sur le réseau Pointpillars, avec la conception d'un cadre de modèle enseignant-étudiant pour la distillation de l'échelle des boîtes de régression, l'ajout d'une perte de distillation et l'optimisation de l'entraînement du modèle réseau afin d'améliorer la qualité de l'extraction des caractéristiques. Pour améliorer davantage l'efficacité de la détection du modèle, un terme de classification guidé par la localisation a été conçu, augmentant la corrélation entre les prédictions de classification et de régression, améliorant ainsi la précision de reconnaissance des objets. Les améliorations apportées à ce réseau n'introduisent pas de couches réseau supplémentaires incorporées. Les résultats expérimentaux sur le jeu de données KITTI montrent qu'en mode 3D, la précision moyenne est passée de 60,65 % à 64,69 %, et en mode vue de dessus de 67,74 % à 70,24 % par rapport au réseau de référence. La vitesse d'inférence du modèle est de 45 FPS, répondant aux exigences du temps réel tout en améliorant la précision de détection.

nuages de points lidar;détection d'objets 3D;distillation des connaissances;confiance en classification