PointNet++改进策略 ：模块改进 | SPVConv， 体素和点云特征融合提升小目标检测能力

• 论文题目：Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
• 发布期刊：ECCV
• 通讯地址：麻省理工 & 清华大学
• 代码地址：https://github.com/mit-han-lab/spvnas
  

介绍

这篇论文的主题是如何为自驾车等应用场景设计高效的3D架构。论文提出了一个名为“稀疏点-体素卷积”（Sparse Point-Voxel Convolution, SPVConv）的3D深度学习模块，旨在在硬件资源有限的情况下提高3D感知模型对小目标（如行人和骑行者）的识别性能。传统的体素化方法由于分辨率低或过度下采样，导致模型难以识别这些小目标。SPVConv通过在标准的稀疏卷积基础上引入高分辨率的点云分支，显著提升了对细节的捕捉能力，并且计算开销很小。

为了进一步优化3D模型，论文还提出了3D神经架构搜索（3D-NAS）方法，它能够在一个多样化的设计空间中搜索出最优的3D网络架构。实验结果表明，基于SPVConv的SPVN