无需稠密张量：事件相机体素网格上的全稀疏目标检测

事件相机产生异步、高动态范围的流，非常适合检测小型、快速移动的无人机，然而大多数基于事件的检测器将稀疏事件流转换为稠密张量，丢弃了神经形态感知的表示效率。我们提出了SparseVoxelDet，据我们所知，这是第一个用于事件相机的全稀疏目标检测器，其中骨干特征提取、特征金字塔融合和检测头都通过3D稀疏卷积仅在占用的体素位置上运行；在流程的任何阶段都不实例化稠密特征张量。在FRED基准测试（629,832个标注帧）上，SparseVoxelDet在IoU阈值为50时达到了83.38%的mAP，同时每帧仅处理14,900个活跃体素（占T.H.W网格的0.23%），而稠密的YOLOv11基线（IoU阈值为50时mAP为87.68%）需要处理409,600个像素。将IoU阈值从0.50放宽到0.40可将mAP恢复到89.26%，这表明剩余的精度差距主要由边界框回归精度而非检测能力主导。与等效的稠密3D体素张量相比，稀疏表示实现了858倍的GPU内存压缩和3,670倍的存储减少，其数据结构大小随场景动态而非传感器分辨率缩放。对119,459个测试帧的错误分析证实，71%的失败是定位接近失误而非漏检目标。这些结果表明，原生稀疏处理是事件相机目标检测的一种可行范式，它利用了神经形态传感器数据的结构稀疏性，而无需神经形态计算硬件，并提供了一个其表示成本由场景活动而非像素数量决定的框架，这一特性随着事件相机向更高分辨率扩展而变得越来越有价值。