Данные лидар широко применяются в задачах трехмерного обнаружения объектов благодаря своим геометрическим характеристикам. Из-за разреженности и нерегулярности точечных облаков сложно достичь баланса между качеством извлечения признаков и скоростью вывода. В статье предлагается алгоритм трехмерного обнаружения объектов на основе кодирования объемных столбчатых признаков, основанный на сети Pointpillars, с разработкой модели преподаватель-ученик для дистилляции масштаба регрессионного бокса, добавлением потерь дистилляции, оптимизацией обучения модели сети для повышения качества извлечения признаков. Для дальнейшего улучшения результатов обнаружения модели разработан классификационный элемент с позиционным руководством, увеличивающий корреляцию между классификационными и регрессионными предсказаниями, что повышает точность распознавания объектов. Улучшения в сети не требуют введения дополнительных встроенных сетей. Эксперименты на датасете KITTI показывают, что средняя точность в 3D режиме увеличилась с 60.65% до 64.69%, а в режиме топ-плюса с 67.74% до 70.24% по сравнению с базовой сетью. Скорость вывода модели составляет 45 кадров в секунду, что удовлетворяет требованиям реального времени при улучшении точности обнаружения.

лазерное точечное облако;трехмерное обнаружение объектов;дистилляция знаний;достоверность классификации