Em resposta ao problema da precisão insuficiente na detecção de pequenos alvos, como pedestres, no quadro melhorado existente baseado em PointPillars, é proposto um método aprimorado que integra reforço esparso e atenção geométrica. Primeiramente, na fase de codificação das características dos Pillars, é introduzido um mecanismo de reforço esparso para preencher as lacunas de informações geométricas nas áreas esparsas, fornecendo material eficaz para o aprimoramento posterior das características. Em seguida, é projetado um mecanismo de atenção espacial sensível aos pontos incorporado ao processo de codificação, baseado em duas características geométricas dos Pillars complementados — densidade da nuvem de pontos e distância média dos pontos ao centro — que gera pesos dinâmicos de atenção por meio de MLP leve, priorizando a amplificação dos sinais de características dos Pillars relacionados ao alvo, solucionando as deficiências da atenção tradicional que depende da estatística do canal e não se adapta às características da nuvem de pontos. Para validar a eficácia do método, foram realizados experimentos no conjunto de dados público KITTI de detecção de alvos 3D, com foco na avaliação do desempenho da detecção de pequenos alvos. Os resultados experimentais mostram que, em comparação com o quadro melhorado existente baseado em PointPillars, a precisão média de detecção de pedestres no modo 3D aumentou 2,54%, e no modo vista de pássaro aumentou 5,91%, comprovando plenamente a eficácia do módulo inovador proposto na otimização das características de pequenos alvos e oferecendo uma solução prática para tarefas de percepção em cenários de longa cauda de condução autônoma.

visão computacional;detecção de alvos 3D;mecanismo de atenção;nuvem de pontos;lidar