3D物体検出は自動運転や具現化知能などの分野で広く応用されていますが、シーン内の弱い特徴を持つ対象（例えば遠くて小さい物体や遮蔽物）の識別性が低く、検出が困難であるという問題があります。これに対処するため、本稿では局所的な文脈強化に基づく高速3D弱特徴対象検出手法を提案します。まず、弱特徴対象の特徴表現が希薄である問題を解決するために、局所的な希薄特徴強化モジュール（Local Sparse Feature Enhancement Module、LSFE）を提案し、局所空間位置における特徴の重みを適応的に調整することで希薄特徴の表現能力を高め、モデルの希薄特徴に対する感度を向上させます。次に、弱特徴対象が背景の干渉を受けやすい問題に対し、多尺度文脈学習モジュール（Multi Scale Context Learning Module、MSCL）を提案し、空間およびチャネル次元の注意機構を組み合わせて、多尺度の空間文脈情報を取得し背景干渉を抑制します。最後に、対象の浅層特徴をより有効に活用するため、ネットワーク検出ヘッド構造に高解像度特徴層を追加し、弱特徴対象の細部認識能力を強化しました。KITTIデータセットでの実験結果により、本手法はベースライン手法と比較して弱特徴対象検出精度を大幅に向上させ、歩行者カテゴリのmAPを12.78%、サイクリストカテゴリのmAPを2.69%、車両カテゴリの平均精度（mAP）を6.84%向上させました。本手法は高精度検出を実現しつつリアルタイム推論速度を維持し、複雑なシーンでの3D物体検出に有効な解決策を提供します。

自動運転;点群データ;3D物体検出;弱特徴対象検出;局所文脈学習