Pour résoudre le problème de la précision insuffisante de détection des petits objets tels que les piétons dans le cadre amélioré existant basé sur PointPillars, une méthode d'amélioration intégrant le renforcement dispersé et l'attention géométrique est proposée. Tout d'abord, lors de la phase d'encodage des caractéristiques des Pillars, un mécanisme de renforcement dispersé des Pillars est introduit pour combler les lacunes d'informations géométriques dans les zones clairsemées, fournissant des éléments efficaces pour l'amélioration ultérieure des caractéristiques. Ensuite, un mécanisme d'attention spatiale sensible aux points est conçu et intégré au processus d'encodage ; basé sur deux caractéristiques géométriques du Pillar complété — la densité du nuage de points et la distance moyenne des points au centre — un MLP léger génère des poids d'attention dynamiques qui amplifient prioritairement les signaux des caractéristiques des Pillars liés aux cibles, résolvant les défauts des attentions traditionnelles qui dépendent des statistiques des canaux et ne s'adaptent pas aux propriétés des nuages de points. Pour valider l'efficacité de la méthode, des expériences sont menées sur le jeu de données public de détection d'objets 3D KITTI, en mettant l'accent sur la performance de détection des petits objets. Les résultats expérimentaux montrent qu'en comparaison avec le cadre amélioré existant basé sur PointPillars, la précision moyenne de détection des piétons en mode 3D augmente de 2,54%, et en vue en bird's eye view de 5,91%, démontrant pleinement l'efficacité du module innovant proposé pour l'optimisation des caractéristiques des petits objets, fournissant une solution pratique pour les tâches de perception dans les scénarios de longue traîne de conduite autonome.

vision par ordinateur;détection d'objets 3D;mécanisme d'attention;nuage de points;lidar