3D-обнаружение объектов широко применяется в таких областях, как автономное вождение и встраиваемый интеллект, но сталкивается с проблемами плохой различимости и высокой сложности обнаружения слабовыраженных объектов в сцене (например, небольших удалённых или скрытых объектов). В связи с этим в данной статье предлагается быстрый метод обнаружения слабовыраженных 3D-объектов с усилением локального контекста. Во-первых, для решения проблемы разреженного представления признаков слабовыраженных объектов предложен модуль усиления локальных разреженных признаков (Local Sparse Feature Enhancement Module, LSFE), который через адаптивную регулировку весов признаков в локальном пространстве повышает выраженность разреженных признаков и улучшает чувствительность модели к ним. Во-вторых, для борьбы с помехами фона у слабовыраженных объектов предложен модуль изучения многоуровневого контекста (Multi Scale Context Learning Module, MSCL), сочетающий механизмы внимания в пространственном и канальном измерениях для получения многоуровневой пространственной контекстной информации и подавления фоновых помех. Наконец, для лучшего использования поверхностных признаков объектов в структуру головы сети добавлен высокоразрешающий слой признаков, усиливающий восприятие деталей слабовыраженных объектов. Экспериментальные результаты на наборе данных KITTI показывают, что предложенный метод значительно повышает точность обнаружения слабовыраженных объектов по сравнению с базовым методом: mAP для класса пешеходов увеличился на 12,78%, для класса велосипедистов — на 2,69%, а для класса автомобилей — на 6,84%. Метод обеспечивает высокоточечное обнаружение при сохранении скорости реального времени, предоставляя эффективное решение для 3D-обнаружения объектов в сложных условиях.

автономное вождение;данные точечных облаков;3D-обнаружение объектов;обнаружение слабовыраженных объектов;локальное обучение контексту