基于快速注意力的激光雷达点云简化，用于目标检测与分类
计算机视觉与模式识别
2026-03-10 v1
摘要
激光雷达点云在自动驾驶领域广泛应用，由大量高频捕获的三维点组成，以表示周围目标（如车辆、行人和交通标志）。虽然这种稠密数据能够实现精准感知，但也增加了计算成本和能源消耗，限制了其在实时部署中的应用。现有点云采样方法通常面临速度与精度之间的权衡：极快的方法往往牺牲精度，而更精确的方法则计算昂贵。为此，我们提出一种高效的学习型点云简化方法，用于激光雷达数据。该方法结合特征嵌入模块与注意力机制采样模块，以优先处理与任务相关的区域，并实现端到端训练。在KITTI 数据集上的 3D 目标检测任务以及四个数据集上的目标分类任务上对该方法进行评估。该方法在速度上始终快于最远点采样 (FPS)，且在某些设置下精度甚至更好，特别是在激进降采样情况下获得最大提升。相较于随机采样 (RS)，该方法稍慢，但通常在高采样比率下更可靠地保持精度。
引用
@article{arxiv.2603.07593,
title = {Fast Attention-Based Simplification of LiDAR Point Clouds for Object Detection and Classification},
author = {Z. Rozsa and Á. Madaras and Q. Wei and X. Lu and M. Golarits and H. Yuan and T. Sziranyi and R. Hamzaoui},
journal= {arXiv preprint arXiv:2603.07593},
year = {2026}
}