SAFDNet: A Simple and Effective Network for Fully Sparse 3D Object Detection

基于LiDAR的三维物体检测在自动驾驶中起着至关重要的作用。现有的高性能三维物体检测器通常在骨干网络和预测头中建立密集的特征图。然而，随着感知范围的增加，由密集特征图引入的计算成本呈二次增长，使得这些模型难以扩展到长距离检测。一些最近的研究尝试构建完全稀疏的检测器来解决这个问题，然而，由此产生的模型要么依赖于复杂的多阶段流水线，要么表现出较差的性能。在本文中，我们提出了SAFDNet，一种简单但高效的完全稀疏三维物体检测架构。在SAFDNet中，设计了自适应特征扩散策略来解决中心特征缺失问题。我们在Waymo Open、nuScenes和Argoverse2数据集上进行了大量实验。SAFDNet在前两个数据集上的表现略优于先前的SOTA，但在最后一个数据集上表现更好，该数据集具有长距离检测的特点，验证了SAFDNet在需要长距离检测的场景中的有效性。值得注意的是，在Argoverse2上，SAFDNet的mAP比之前最好的混合检测器HEDNet高2.6％，而速度快2.1倍，并且比之前最好的稀疏检测器FSDv2提高了2.1％的mAP，速度快1.3倍。代码将在https://github.com/zhanggang001/HEDNet上提供。

解决问题：论文旨在解决长距离感知下，现有的基于LiDAR的3D物体检测模型无法有效扩展的问题。

关键思路：论文提出了一种全面稀疏的3D物体检测模型SAFDNet，通过自适应特征扩散策略解决中心特征缺失的问题。

其他亮点：SAFDNet在Waymo Open、nuScenes和Argoverse2数据集上进行了广泛的实验，相较于之前的最优模型，在Argoverse2数据集上提高了2.6%的mAP，同时速度提高了2.1倍，相较于之前的最优全面稀疏检测模型FSDv2，在Argoverse2数据集上提高了2.1%的mAP，同时速度提高了1.3倍。论文作者已经开源了代码。

相关研究：最近在这个领域中，还有一些相关的研究，如FSD、FSDet、H3DNet等。