La detección de objetos 3D se aplica ampliamente en campos como la conducción autónoma y la inteligencia incorporada, pero presenta problemas de baja discriminación y dificultad de detección para objetos con características débiles en la escena (como objetos pequeños y lejanos o parcialmente ocultos). Por ello, en este artículo se propone un método rápido de detección de objetos 3D con características débiles y mejora del contexto local. Primero, para resolver la dificultad de la representación de características dispersas de los objetos 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 ajustando adaptativamente los pesos de las características en posiciones espaciales locales, aumentando la sensibilidad del modelo a las características dispersas. En segundo lugar, para abordar la dificultad de la interferencia del fondo en objetos con características débiles, se propone un módulo de aprendizaje de contexto multiescala (Multi Scale Context Learning Module, MSCL), que combina mecanismos de atención en las dimensiones espacial y de canal para obtener información contextual espacial multiescala y suprimir la interferencia del fondo. Finalmente, para aprovechar mejor las características superficiales de los objetos, se añadió una capa de características de alta resolución en la estructura de la cabeza de detección de la red, mejorando la capacidad de percepción de detalles de los objetos con características débiles. Los resultados experimentales en el conjunto de datos KITTI muestran que el método propuesto mejora significativamente la precisión de detección de objetos con características débiles en comparación con el método base, con un aumento del mAP del 12,78 % para la categoría peatones, del 2,69 % para la categoría ciclistas y del 6,84 % para la categoría coches. Este método logra una detección de alta precisión manteniendo una velocidad de inferencia en tiempo real, proporcionando una solución eficaz para la detección de objetos 3D en escenarios complejos.

conducción autónoma;datos de nubes de puntos;detección de objetos 3D;detección de objetos con características débiles;aprendizaje de contexto local