SAFDNet：一种用于全稀疏3D目标检测的简单有效网络

基于LiDAR的3D目标检测在自动驾驶中起着至关重要的作用。现有高性能的3D目标检测器通常在主干网络和预测头中构建密集特征图。然而，密集特征图引入的计算成本随着感知范围的增加呈二次增长，使得这些模型难以扩展到长距离检测。一些最近的工作试图构建全稀疏检测器来解决这个问题；然而，由此产生的模型要么依赖于复杂的多阶段流程，要么表现出较差的性能。在这项工作中，我们提出了SAFDNet，一种简单而高效的架构，专为全稀疏3D目标检测量身定制。在SAFDNet中，设计了一种自适应特征扩散策略来解决中心特征缺失问题。我们在Waymo Open、nuScenes和Argoverse2数据集上进行了广泛的实验。SAFDNet在前两个数据集上的表现略优于之前的SOTA，但在具有长距离检测特征的最后一个数据集上表现要好得多，验证了SAFDNet在需要长距离检测的场景中的有效性。值得注意的是，在Argoverse2上，SAFDNet以2.1倍的速度优势超越了之前最佳的混合检测器HEDNet 2.6% mAP，并以1.3倍的速度优势超越了之前最佳的稀疏检测器FSDv2 2.1% mAP。代码将在https://github.com/zhanggang001/HEDNet上提供。