摘要

点云中的3D目标检测对于自动驾驶系统至关重要。3D目标检测面临的主要挑战源于三维场景中点的稀疏分布。现有的高性能方法通常采用小核的3D稀疏卷积神经网络来提取特征。为降低计算成本，这些方法常使用子流形稀疏卷积，但这种机制会限制空间上不相连特征之间的信息交互。一些近期方法尝试通过引入大核卷积或自注意力机制来缓解该问题，但往往在精度提升方面效果有限，或带来过高的计算开销。为此，我们提出HEDNet——一种用于3D目标检测的分层编码器-解码器网络，该网络通过编码器-解码器模块捕捉空间域中特征间的长距离依赖关系，尤其适用于检测大尺寸及远距离目标。我们在Waymo Open和nuScenes数据集上进行了大量实验，结果表明，HEDNet在两个数据集上的检测精度均优于此前的最先进方法，同时保持了具有竞争力的计算效率。代码已开源，地址为：https://github.com/zhanggang001/HEDNet。