3D обнаружение объектов широко применяется в таких областях, как автономное вождение и инкорпорированный интеллект, однако для слабовыраженных объектов сцены (например, удаленных мелких или закрытых объектов) наблюдаются проблемы с разборчивостью и высокой сложностью обнаружения. В данной работе предложен быстрый метод обнаружения слабовыраженных 3D объектов с усилением локального контекста. Во-первых, для решения проблемы разреженного выражения признаков слабовыраженных объектов предложен модуль усиления локальных разреженных признаков (LSFE), который адаптивно регулирует веса признаков в локальном пространстве для улучшения выражения разреженных признаков и повышения чувствительности модели к ним. Во-вторых, с учетом того, что слабовыраженные объекты легко подвержены влиянию фона, предложен модуль многомасштабного обучения контекста (MSCL), объединяющий механизмы внимания в пространственном и канальном измерениях для получения многомасштабной пространственной контекстной информации и подавления фоновых помех. Наконец, для лучшего использования поверхностных признаков объектов в структуре детекторной головы сети добавлен слой высокоразрешающих признаков, усиливающий детализацию слабовыраженных объектов. Эксперименты на наборе данных KITTI показали, что предложенный метод значительно улучшает точность обнаружения слабовыраженных объектов по сравнению с базовыми методами: mAP для класса пешеходов увеличилась на 12.78%, для класса велосипедистов — на 2.69%, для класса автомобилей — в среднем на 6.84%. Предложенный метод обеспечивает высокоточную детекцию при сохранении реального времени работы, предлагая эффективное решение для 3D обнаружения объектов в сложных сценах.

автономное вождение;данные облаков точек;3D обнаружение объектов;обнаружение слабовыраженных объектов;обучение локальному контексту