Os dados LiDAR, devido às suas características geométricas, são amplamente utilizados em tarefas de detecção de objetos tridimensionais. Devido à escassez e irregularidade dos dados de nuvens de pontos, é difícil alcançar um equilíbrio entre a qualidade da extração de características e a velocidade de inferência. Este artigo propõe um algoritmo de detecção de objetos 3D baseado em codificação de características de pilares volumétricos, baseado na rede Pointpillars, com um framework de modelo professor-aluno para a destilação da escala da caixa de regressão, aumentando a perda de destilação, otimizando o treinamento do modelo de rede e melhorando a qualidade da extração de características. Para melhorar ainda mais o desempenho da detecção do modelo, foi projetado um termo de classificação guiado por localização, aumentando a correlação entre a previsão de classificação e a de regressão, elevando a precisão do reconhecimento de objetos. As melhorias feitas nesta rede não introduzem embeddings de rede adicionais. Os resultados experimentais no conjunto de dados KITTI mostram que, no modo 3D, o valor médio de precisão aumentou de 60,65% para 64,69%, e no modo visão aérea, o valor médio de precisão aumentou de 67,74% para 70,24%, em comparação com a rede base. A velocidade de inferência do modelo é de 45 FPS, atendendo aos requisitos em tempo real enquanto melhora a precisão da detecção.

nuvem de pontos LiDAR;detecção de objetos 3D;destilação de conhecimento;confiança na classificação