Para abordar el problema de la insuficiente precisión en la detección de objetos pequeños como peatones en el marco mejorado existente basado en PointPillars, se propone un método de mejora que fusiona el refuerzo disperso y la atención geométrica. Primero, en la etapa de codificación de características de los Pillars, se introduce un mecanismo de refuerzo disperso para llenar los vacíos de información geométrica en las áreas dispersas, proporcionando material efectivo para el refuerzo posterior de características. En segundo lugar, se diseña un mecanismo de atención espacial consciente de puntos que se integra en el proceso de codificación; basado en dos características geométricas del Pillar completado — la densidad del punto en la nube y la distancia promedio de los puntos al centro — mediante un MLP ligero se generan pesos de atención dinámicos que amplifican prioritariamente la señal de características de los Pillars relacionados con el objetivo, resolviendo las deficiencias de la atención tradicional que depende de estadísticas del canal y no se adapta a las características de las nubes de puntos. Para verificar la efectividad del método, se realizaron experimentos en el conjunto de datos de detección de objetos 3D KITTI de acceso público, con un enfoque especial en el rendimiento de detección de objetos pequeños. Los resultados experimentales muestran que, en comparación con el marco mejorado basado en PointPillars existente, la precisión media de detección de peatones en modo 3D aumentó un 2,54%, y en modo vista de pájaro un 5,91%, demostrando plenamente la efectividad del módulo innovador propuesto para la optimización de características de pequeños objetivos, proporcionando una solución práctica para las tareas de percepción en escenarios de cola larga de conducción autónoma.

visión por computadora;detección de objetos 3D;mecanismo de atención;nube de puntos;lidar