Waymo SOTA！PillarNeXt：超越Voxel-based的点云检测网络

主要观点总结

本文介绍了一种新的点云3D目标检测算法模型PillarNeXt，该模型针对自动驾驶中的感知任务进行设计。文章详细描述了PillarNeXt算法的整体架构、各模块的设计及其作用，以及在Waymo数据集上的实验结果。与其他算法模型相比，PillarNeXt实现了更高的检测精度，特别是在车辆检测任务中。

关键观点总结

关键观点1: PillarNeXt算法的设计思路

针对自动驾驶中的感知任务，重新设计了点云数据的特征编码、点云特征提取主干网络以及特征融合网络，以提升点云检测模型的感知性能。

关键观点2: Voxel2Pillar特征编码模块

结合了Voxel-Based和Pillar-Based点云处理模型的优势，通过提出的稀疏卷积构建器从基于Voxel的体素中构建Pillar，获取丰富的特征信息。

关键观点3: 主干网络设计

提出了多尺度特征提取模块、稠密大尺度特征提取残差模块等，以提取多尺度和大尺度的语义特征。采用子流形稀疏卷积、空间稀疏卷积等模块优化计算效率。

关键观点4: 实验结果与评价指标

在Waymo数据集上，PillarNeXt算法实现了较高的目标检测精度，与其他点云3D目标检测算法相比具有竞争优势。

关键观点5: 消融实验

通过一系列消融对比实验，验证了各模块的有效性，并找到了最佳参数配置。