Para abordar o baixo desempenho na detecção de pequenos alvos dispersos em nuvens de pontos usando PointPillar em cenários de condução autônoma, propõe-se uma rede de detecção de alvos em nuvens de pontos chamada Pillar-FFNet, que introduz uma estratégia de fusão de características multiescala e um mecanismo de atenção. Para resolver o problema de extração de características na rede, foi projetada uma rede backbone baseada em estrutura residual; para lidar com o problema de que os mapas de características alimentados para a cabeça de detecção não aproveitam suficientemente as informações semânticas das características de alto nível e as informações espaciais das características de baixo nível, foi projetada uma estratégia simples e eficaz de fusão de características multiescala; para tratar a redundância de informações nos mapas de características extraídos pela rede backbone, propõe-se um mecanismo de atenção convolucional. Para validar o desempenho do algoritmo proposto, foram realizados experimentos nos conjuntos de dados KITTI e DAIR-V2X-I. Os resultados experimentais mostram que, em comparação com o PointPillar, a precisão média máxima de carros, pedestres e ciclistas aumentou 0,84%, 2,13% e 4,02%, respectivamente, no conjunto KITTI; e 0,33%, 2,09% e 4,71% no conjunto DAIR-V2X-I, comprovando assim a eficácia do método proposto para a detecção de pequenos alvos dispersos em nuvens de pontos.

Detecção de pequenos alvos;nuvens de pontos dispersas;PointPillar;estrutura residual;fusão de características multiescala;mecanismo de atenção convolucional