TPAMI 2024 | MsSVT++: 用于3D目标检测的混合尺度稀疏体素TransFormer与中心投票

MsSVT++: Mixed-Scale Sparse Voxel Transformer With Center Voting for 3D Object Detection

题目：MsSVT++: 用于3D目标检测的混合尺度稀疏体素变换器与中心投票

作者：Jianan Li; Shaocong Dong; Lihe Ding; Tingfa Xu

---

摘要

大规模户外场景中精确的3D目标检测需要同时具备丰富长距离和细粒度信息的特征。尽管最近的检测器已经利用基于窗口的变换器来模拟长距离依赖性，但它们往往忽视了细粒度细节。为了弥补这一差距，我们提出了MsSVT++，一种创新的多尺度稀疏体素变换器，它通过分而治之的方法同时捕获这两种类型的信息。这种方法涉及显式地将注意力头分为多个组，每个组负责关注特定范围内的信息。这些组的输出随后被合并以获得最终的多尺度特征。为了减轻在3D体素空间应用基于窗口的变换器所带来的计算复杂性，我们引入了一种新颖的棋盘采样策略，并使用哈希映射稀疏地实现体素采样和聚集操作。此外，一个重要的挑战来自于观察到非空体素主要位于物体表面，这阻碍了边界框的准确估计。为了