레이저 라이다 데이터는 기하학적 특성으로 인해 3차원 객체 검출 작업에 널리 사용됩니다. 점군 데이터의 희소성과 불규칙성으로 인해 특징 추출의 품질과 추론 속도 간의 균형을 이루기 어렵습니다. 본 논문은 Pointpillars 네트워크를 기반으로 체적 기둥 특징 인코딩에 기반한 3D 객체 검출 알고리즘을 제안하며, 회귀 박스 크기에 대해 Teacher-Student 모델 프레임워크를 설계하여 증류 손실을 추가하고 네트워크 모델 훈련을 최적화하여 특징 추출 품질을 향상시켰습니다. 모델 검출 성능을 더욱 향상시키기 위해 위치 유도 분류 항을 설계하여 분류 예측과 회귀 예측 간의 상관관계를 증가시키고 객체 인식 정확도를 높였습니다. 본 네트워크에서 수행한 개선점은 추가적인 네트워크 임베딩을 도입하지 않았습니다. KITTI 데이터셋에서의 알고리즘 실험 결과, 3D 모드에서 평균 정밀도가 60.65%에서 64.69%로, 조감도 모드에서 평균 정밀도가 67.74%에서 70.24%로 향상되었습니다. 모델 추론 속도는 45 FPS로, 검출 정밀도를 높이면서 실시간 요구 사항을 충족합니다.

레이저 점군;3차원 객체 검출;지식 증류;분류 신뢰도