备注：研究方向 地点 学校/公司 昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。
PS：腾讯最近更改公众号推送规则，文章推送不在按照时间排序，而是通过智能推荐算法有选择的推送文章，为了避免收不到文章，看完文章您可以点击一下右下角的"在看"，以后发文章就会第一时间推送到你面前。
获取完整原文，公众号回复：2007.16100
论文地址： https://arxiv.org/pdf/2007.16100.pdf
代码：
来源： 麻省理工学院，清华大学
论文名称：Searching Efficient 3D Architectures with Sparse Point-Voxel Convolution
原文作者：Haotian Tang
内容提要
自动驾驶汽车需要高效、准确地理解3D场景，才能安全驾驶。在硬件资源有限的情况下，由于低分辨率的体素化和主动的向下采样点云，现有的3D感知模型不能很好地识别小实例(如行人、自行车)。因此，本文提出了稀疏点体素卷积（Sparse Point-Voxel Convolution，SPVConv），这是一种轻量级的3D网络，装备了基于点的高分辨率分支的原始稀疏卷积。该架构基于点的分支的开销可以忽略不计，能够保留大型室外场景中精细的细节。为了探索高效的3D模型的范围，我们首先基于SPVConv定义了一个灵活的架构设计空间，然后提出了3D神经网络架构搜索(3D-NAS)，从而可以有效地搜索多样的设计空间中最优的网络架构。实验结果证明，生成的SPVNAS模型是快速且准确的：性能比SOTA的MinkowskiNet高3.3％，在SemanticKITTI排行榜上位列第一。与MinkowskiNet相比，在减少8倍计算量和加速3倍的情况下，实现了更高的精度。最后，将本文方法迁移到3D目标检测，在KITTI的单阶段检测基线上取得了一致的改进。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
点个“在看”，让我知道你的爱
