基于LiDAR的3D目标检测的成本感知评估与模型缩放

大量研究工作致力于基于LiDAR的3D目标检测，经验性能已显著提升。尽管进展令人鼓舞，我们观察到一处被忽视的问题：尚不常见在不同3D检测器具有相同成本（例如推理延迟）下进行比较。这使得量化近期提出的架构设计带来的真实性能增益变得困难。本工作的目标是开展基于LiDAR的3D目标检测器的成本感知评估。具体而言，我们聚焦于SECOND——一种简单的基于网格的单阶段检测器，并通过缩放其原始架构来分析其在不同成本下的性能。随后我们将缩放版SECOND系列与近期3D检测方法（如Voxel R-CNN和PV-RCNN++）进行比较。结果令人惊讶。我们发现，若允许使用相同延迟，SECOND可匹配PV-RCNN++（Waymo Open Dataset上当前的SOTA方法）的性能。缩放版SECOND也轻松优于过去一年发表的许多近期3D检测方法。我们建议未来研究在经验比较中控制推理成本，并在提出新3D检测方法时将缩放版SECOND系列作为强基线纳入。