La détection d'objets 3D est largement utilisée dans des domaines tels que la conduite autonome et l'intelligence incarnée, mais elle rencontre des difficultés liées à la faible discriminabilité et à la complexité de la détection des objets à faibles caractéristiques dans la scène (comme les objets petits et éloignés ou occultés). Pour remédier à cela, cet article propose une méthode rapide de détection d'objets 3D à faibles caractéristiques avec renforcement du contexte local. Tout d'abord, afin de résoudre la difficulté de représentation des caractéristiques rares des objets faibles, un module d'amélioration des caractéristiques rares locales (Local Sparse Feature Enhancement Module, LSFE) est proposé, qui renforce la capacité à exprimer les caractéristiques rares en ajustant de manière adaptative les poids des caractéristiques dans l'espace local, améliorant ainsi la sensibilité du modèle aux caractéristiques rares. Ensuite, pour faire face à la sensibilité des objets faibles aux interférences de fond, un module d'apprentissage du contexte multi-échelle (Multi Scale Context Learning Module, MSCL) est proposé, combinant des mécanismes d'attention spatiale et canalaire pour obtenir des informations contextuelles spatiales multi-échelles et supprimer les interférences de fond. Enfin, pour mieux utiliser les caractéristiques superficielles des objets, une couche de caractéristiques à haute résolution est ajoutée dans la tête de détection du réseau, améliorant la capacité de perception des détails des objets faibles. Les résultats expérimentaux sur le jeu de données KITTI montrent que la méthode proposée améliore significativement la précision de détection des objets faibles par rapport à la méthode de base, avec une augmentation du mAP de 12,78 % pour la catégorie piétons, de 2,69 % pour la catégorie cyclistes et de 6,84 % pour la catégorie voitures. Cette méthode offre une détection à haute précision tout en maintenant une vitesse d'inférence en temps réel, fournissant une solution efficace pour la détection 3D d'objets dans des scénarios complexes.

conduite autonome;données de nuages de points;détection d'objets 3D;détection d'objets à faibles caractéristiques;apprentissage du contexte local