O lidar GM-APD possui sensibilidade para detecção de fótons únicos, reduzindo significativamente o tamanho do sistema e o consumo de energia, mas devido à limitação no número de pixels, é difícil obter contornos claros de pequenos alvos em longas distâncias, resultando em baixa taxa de detecção de alvos. Para esse problema, foi proposto um algoritmo de detecção profunda para pequenos alvos baseado em processamento multinível de imagens de intensidade e distância, explorando plenamente as informações das características da imagem de intensidade e da nuvem de pontos, bem como sua correlação, aumentando a probabilidade de detecção de pequenos alvos. Por meio da melhoria da rede de pirâmide de características, o módulo de campo receptivo e o módulo de mecanismo de atenção foram combinados com a rede de extração de características para aprimorar a precisão da triagem inicial da imagem de intensidade, fundindo imagens de intensidade e distância em uma nuvem de pontos 4D com informações de intensidade na região candidata. Em seguida, foi usada uma rede convolucional gráfica dinâmica para a detecção secundária de alvos na região candidata, utilizando informações da nuvem de pontos para filtrar ainda mais os alvos dentro das caixas candidatas. Testado no conjunto de dados de veículos de longa distância do lidar GM-APD, a precisão de detecção da rede alcançou 98,8%, demonstrando boa robustez em cenários complexos como estruturas veiculares incompletas, ecos fracos de veículos e fundos com manchas de reflexo intenso. Comparado a redes avançadas de detecção de alvos como SSD e YOLOv5, a precisão de detecção aumentou em 3,1% e 2,5%, respectivamente, e o algoritmo oferece uma solução viável para a detecção e reconhecimento de alvos fracos e pequenos com lidar.

lidar; detecção de alvos; campo receptivo; mecanismo de atenção; rede neural convolucional gráfica dinâmica