La detección de objetos en nubes de puntos 3D sigue siendo una tarea desafiante en la conducción autónoma. Debido a la occlusión inherente y los cambios de densidad de la nube de puntos, la distribución de datos del mismo objeto cambiará drásticamente. Especialmente, los datos incompletos con dispersión u occlusión no pueden representar las características completas del objeto. En este documento, proponemos un algoritmo de alineación de características fuertes-débiles novedoso entre objetos completos e incompletos para la detección de objetos 3D, que explora las correlaciones dentro de los datos. Es una red adaptativa de extremo a extremo que no requiere datos adicionales y puede aplicarse fácilmente a otras redes de detección de objetos. A través de un extractor de características de objetos completos, logramos una representación robusta de la característica del objeto. Sirve como una característica guardiana para ayudar al generador de características de objetos incompletos a generar características efectivas. El algoritmo de alineación de características fuertes-débiles reduce la brecha entre diferentes estados del mismo objeto y mejora la capacidad de representar el objeto incompleto. El marco de adaptación propuesto se valida en el banco de pruebas de objetos KITTI y obtiene aproximadamente un 6% de mejora en la precisión promedio de detección en dificultad moderada 3D en comparación con el modelo básico. Los resultados muestran que nuestro método de adaptación mejora el rendimiento de detección de objetos 3D incompletos.