Cross-Cluster Shifting for Efficient and Effective 3D Object Detection in Autonomous Driving

我们提出了一种名为Shift-SSD的新的3D基于点的检测器模型，用于自动驾驶中精确的3D物体检测。传统的基于点的3D物体检测器通常采用依赖于点的逐步下采样的架构。虽然这种方法有效地减少了计算需求并增加了感受野，但它会牺牲关键的非局部信息以实现精确的3D物体检测，特别是在复杂的驾驶场景中。为了解决这个问题，我们引入了一种有趣的交叉聚类移位操作，通过高效地建模更长程的相互依赖关系，从而释放基于点的检测器的表示能力，同时只包含可忽略的开销。具体来说，交叉聚类移位操作通过从相邻聚类中移位部分通道来增强传统设计，从而使其能够与非局部区域进行更丰富的交互，从而扩大聚类的感受野。我们在KITTI、Waymo和nuScenes数据集上进行了大量实验，结果表明Shift-SSD在检测精度和运行时效率方面的性能达到了最先进水平。

解决问题：论文旨在提出一种新的点云检测模型Shift-SSD，以解决自动驾驶中精确的三维物体检测问题。

关键思路：论文提出了一种名为Cross-Cluster Shifting的操作，通过将邻近聚类的部分通道进行偏移，从而增强点云检测器的表示能力，有效地建模长程依赖性，同时只需承担可忽略的开销。这种操作能够扩大聚类的感受野，使其与非局部区域进行更丰富的交互，从而提高了检测精度。

其他亮点：论文在KITTI、Waymo和nuScenes数据集上进行了广泛的实验，结果表明Shift-SSD在检测精度和运行时效性方面均表现出了最先进的性能。值得关注的是，Cross-Cluster Shifting操作是该模型的重要创新点。论文还提供了开源代码，这有助于其他研究者进一步研究和改进该模型。

相关研究：近年来，在点云检测领域还有许多相关研究。例如，PointRCNN、PV-RCNN、SECOND等都是先进的点云检测器。