A detecção de objetos 3D é amplamente aplicada em áreas como condução autônoma e inteligência incorporada, mas enfrenta problemas de baixa discriminabilidade e dificuldade na detecção de objetos com características fracas na cena (como objetos pequenos e distantes ou ocultos). Portanto, este artigo propõe um método rápido de detecção de objetos 3D com características fracas e aprimoramento do contexto local. Primeiro, para resolver a dificuldade na representação de características esparsas dos objetos fracos, é proposto um Módulo de Aprimoramento de Características Esparsas Locais (Local Sparse Feature Enhancement Module, LSFE), que reforça a capacidade de expressão de características esparsas ajustando adaptativamente os pesos das características em posições espaciais locais, aumentando a sensibilidade do modelo a essas características. Em segundo lugar, para lidar com a dificuldade de interferência de fundo em objetos com características fracas, é proposto um Módulo de Aprendizado de Contexto Multiescala (Multi Scale Context Learning Module, MSCL), que combina mecanismos de atenção nas dimensões espacial e de canal para obter informações contextuais espaciais multiescala e suprimir a interferência de fundo. Finalmente, para melhor aproveitar as características rasas dos objetos, uma camada de características de alta resolução foi adicionada na estrutura da cabeça de detecção da rede, aumentando a capacidade de percepção de detalhes dos objetos com características fracas. Os resultados experimentais no conjunto de dados KITTI mostram que o método proposto melhora significativamente a precisão da detecção de objetos com características fracas em comparação com o método base, com aumento do mAP em 12,78% para a categoria Pedestre, 2,69% para a categoria Ciclista e 6,84% para a categoria Carro. O método alcança alta precisão na detecção mantendo a velocidade de inferência em tempo real, fornecendo uma solução eficaz para a detecção 3D de objetos em cenários complexos.

condução autônoma;dados de nuvem de pontos;detecção de objetos 3D;detecção de objetos com características fracas;aprendizado de contexto local