基于4D雷达数据的面向3D目标检测的脉冲神经网络 SpikingRTNH
计算机视觉与模式识别
2025-02-04 v1 人工智能
神经与进化计算
摘要
最近，4D 雷达成为自动驾驶车辆进行3D目标检测的关键传感器，能够在恶劣天气条件下提供稳定的感知，并为目标形状识别提供高密度点云。然而，处理此类高密度数据需要大量计算资源和能源消耗。我们提出了 SpikingRTNH，即首个用于4D雷达数据进行3D目标检测的脉冲神经网络（SNN）。通过将常规的 ReLU 激活函数替换为漏积分-发放（LIF）脉冲神经元，SpikingRTNH 实现了显著的能源效率提升。此外，受人类认知过程的启发，我们引入了生物学自上而下推断（BTI），该方法从高到低密度依次处理点云。这一方法有效利用噪声较低且更重要的点进行检测。在 K-Radar 数据集上的实验表明，采用 BTI 的 SpikingRTNH 在能源消耗上降低了78%，同时实现了与其 ANN 对手相当的检测性能（51.1% AP 3D，57.0% AP BEV）。这些结果确立了 SNN 在自动驾驶系统中面向4D雷达的能源效率3D目标检测中的可行性。所有代码均可在 https://github.com/kaist-avelab/k-radar 获取。
引用
@article{arxiv.2502.00074,
title = {SpikingRTNH: Spiking Neural Network for 4D Radar Object Detection},
author = {Dong-Hee Paek and Seung-Hyun Kong},
journal= {arXiv preprint arXiv:2502.00074},
year = {2025}
}
备注
arxiv preprint