增强版 K-Radar：以最优密度缩减提升基于 4D 雷达张量的目标检测性能与可用性

近期工作展示了四维（4D）雷达基三维（3D）目标检测在恶劣天气条件下的优越鲁棒性。然而，由于数据规模庞大，处理 4D 雷达数据仍具挑战，其计算与存储需耗费大量内存。在先前工作中，对 4D 雷达张量（4DRT）执行了在线密度缩减以减小数据规模，其中密度缩减水平被任意选取。然而，密度缩减对检测性能与内存消耗的影响在很大程度上未知。本文中，我们旨在通过针对密度缩减水平开展广泛的超参数调优来解决该问题。实验结果表明，将密度水平从原始 4DRT 密度水平的 0.01% 提升至 50% 可成比例地改善检测性能，代价为内存消耗增加。然而，当密度水平提升超过 5% 后，仅内存消耗继续增加，而检测性能在峰值点以下振荡。除优化密度超参数外，我们还引入了 4D 稀疏雷达张量（4DSRT）——一种采用离线密度缩减的 4D 雷达数据新表示，显著减小了原始数据规模。我们还提供了用于训练神经网络的优化开发工具包，结合 4DSRT 的使用，相比最先进的基于 4DRT 的神经网络将训练速度提升了 17.1 倍。所有代码见：https://github.com/kaist-avelab/K-Radar。