La detección de objetos 3D se utiliza ampliamente en campos como la conducción autónoma y la inteligencia incorporada, pero presenta problemas en la discriminación y dificultad para detectar objetivos con características débiles en la escena (como objetos pequeños lejanos o parcialmente ocultos). Por ello, este artículo propone un método rápido de detección de objetivos 3D de características débiles con refuerzo del contexto local. Primero, para resolver la dificultad de la expresión de características dispersas en objetivos débiles, se propone un módulo de mejora de características dispersas locales (Local Sparse Feature Enhancement Module, LSFE), que mejora la capacidad de expresión de características dispersas mediante el ajuste adaptativo del peso de las características en ubicaciones espaciales locales, aumentando la sensibilidad del modelo a dichas características dispersas. En segundo lugar, debido a la alta interferencia del fondo en los objetivos débiles, se propone un módulo de aprendizaje de contexto multiescala (Multi Scale Context Learning Module, MSCL), que combina mecanismos de atención espacial y de canal para obtener información contextual espacial multiescala y suprimir las interferencias de fondo. Finalmente, para aprovechar mejor las características superficiales de los objetivos, se añade una capa de características de alta resolución en la estructura de la cabeza de detección de la red para mejorar la percepción de los detalles de los objetivos débiles. Los resultados experimentales en el conjunto de datos KITTI muestran que el método propuesto mejora significativamente la precisión de la detección de objetivos débiles en comparación con los métodos base, aumentando la mAP de la categoría Peatones en un 12.78%, la de Ciclistas en un 2.69% y la precisión promedio (mAP) de la categoría Coches en un 6.84%. Este método logra una detección de alta precisión manteniendo una velocidad de inferencia en tiempo real, ofreciendo una solución efectiva para la detección de objetivos 3D en escenarios complejos.

conducción autónoma;datos de nube de puntos;detección de objetos 3D;detección de objetivos de características débiles;aprendizaje de contexto local