レーザライダー（LiDAR）データは、その幾何学的特性により、3次元物体検出タスクで広く利用されています。点群データの希薄性と不規則性により、特徴抽出の品質と推論速度のバランスを取ることは困難です。本論文では、Pointpillarsネットワークを基盤としたボリュームピラース特徴符号化に基づく3次元物体検出アルゴリズムを提案し、回帰バウンディングボックスのスケールに対してTeacher-Studentモデルフレームワークを設計して蒸留を行い、蒸留損失を追加してネットワークモデルの訓練を最適化し、特徴抽出の品質を向上させました。モデル検出性能をさらに向上させるために、位置誘導分類項を設計し、分類予測と回帰予測の関連性を高め、物体認識の精度を向上させました。本ネットワークにおける改良は、追加のネットワーク埋め込みを導入していません。KITTIデータセットでのアルゴリズムの実験結果は、3Dモードでの平均精度が60.65％から64.69％に、鳥瞰図モードでの平均精度が67.74％から70.24％にそれぞれ向上したことを示しています。モデル推論速度は45 FPSであり、検出精度の向上と同時にリアルタイム要件を満たしています。

レーザ点群;3次元物体検出;知識蒸留;分類信頼度