EFFOcc: A Minimal Baseline for EFficient Fusion-based 3D Occupancy Network

3D占据预测（Occ）是自动驾驶领域中一个迅速崛起的具有挑战性的感知任务，它将驾驶场景表示为具有语义的均匀分割的3D体素网格。与3D物体检测相比，网格感知具有更好地识别不规则形状、未知类别或部分遮挡的普通对象的优势。然而，现有的3D占据网络（occnets）既计算量大又需要大量标签。在模型复杂性方面，occnets通常由体素级别上的重型Conv3D模块或变压器组成。在标签注释要求方面，occnets使用大规模昂贵的密集体素标签进行监督。由于网络参数过多和标签注释要求，导致模型和数据效率低下，严重阻碍了occnets的现场部署。本文提出了一种高效的3D占据网络（EFFOcc），旨在实现最小的网络复杂度和标签需求，同时实现最先进的准确性。EFFOcc仅使用简单的2D运算符，并在多个大规模基准测试中将Occ的准确性提高到最先进水平：Occ3D-nuScenes，Occ3D-Waymo和OpenOccupancy-nuScenes。在Occ3D-nuScenes基准测试中，EFFOcc仅有18.4M参数，并在平均IoU（mIoU）方面达到50.46，据我们所知，与相关的occnets相比，它是具有最小参数的occnet。此外，我们提出了一种两阶段主动学习策略，以减少标记数据的要求。使用6％标记体素训练的Active EFFOcc达到了47.19 mIoU，即95.7％的完全监督性能。所提出的EFFOcc还支持借助区域分解蒸馏改进的仅视觉占据预测。代码和演示视频将在https://github.com/synsin0/EFFOcc上提供。

论文旨在解决3D occupancy prediction中存在的计算复杂度高和标签需求量大的问题，以及降低模型复杂度和标签需求量的同时实现最先进的准确性。

EFFOcc是一种高效的3D occupancy网络，仅使用简单的2D运算符，实现了最先进的准确性，并支持改进的仅视觉占用预测。

EFFOcc在多个大型基准测试中实现了最先进的准确性，具有最小的参数数量。论文还提出了一种两阶段主动学习策略，以减少标记数据的要求。代码和演示视频可在https://github.com/synsin0/EFFOcc上找到。

在最近的研究中，还有一些相关的研究，如VoxelNet和PointPillars等。