提出了一种轻量级的 Sparse Point-Voxel Convolution 模块作为基础，通过基于 SPVConv 的灵活体系结构设计空间，实现了 3D Neural Architecture Search 以搜索高效而有效的网络体系结构，并将该方法应用于自动驾驶和 3D 目标检测领域，取得了较好的实验结果。

Jul, 2020

基于稀疏雷达数据的前瞻感知在自动驾驶中越来越受到关注，本论文通过引入自适应子采样方法和定制化的网络架构来综合处理稀疏雷达数据的特性，并利用稀疏模式发现雷达信号中的全局和局部相关性。实验证明，我们的 SparseRadNet 在目标检测方面超过了最先进的水平，并在自由空间分割方面几乎达到了最先进的准确性，同时使用了稀疏子采样输入数据。

Jun, 2024

本文提出了一种在三维点云中有效检测对象的方法，使用卷积神经网络并利用稀疏性，提出了基于特征中心投票方案的卷积层和 L1 正则化，实现了高效的大规模三维数据处理，并在 KITTI 物体检测基准测试中表现出优异的成果。

Sep, 2016

该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

Jun, 2021

本文提出了两个基于可学习特征稀疏性和位置重要性预测的新模块：焦点稀疏卷积和其多模式变体，可以很容易地替代现有稀疏卷积神经网络中的基本组件，并以端到端的方式联合训练，该新模块在 KITTI、nuScenes 和 Waymo 基准测试上进行了广泛实验，并在 nuScenes 测试基准中胜过了所有现有的单一模型条目。

Apr, 2022

文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证，取得了 7.14% 的相对改进，而且比最佳前期工作快了 3.78 倍。

Jun, 2020

通过将点云处理为无序数据格式，使用 PointCNN 基于深度学习的方法对雷达点云进行语义分割的性能超过基于 PointNet++ 的现有方法，以解决卷积在雷达点云上的不规则性和排列变化性挑战。

May, 2023

本文提出一个混合体系结构，结合网格和基于点的处理方法，以提高雷达物体检测网络的检测性能和定位估计。通过实验，证明了该模型可以提取邻域特征，从而获得比以往文献中的网络更好的检测性能和方位估计。

May, 2022

提出了一种新颖的多尺度 KPPillarsBEV 架构，该架构通过新颖的网格渲染方法（KPBEV）将点云上下文编码到网格渲染中，进而提高了雷达目标检测的性能，并在 nuScenes 数据集上进行了广泛实验，取得了显著的性能优于基线和先前的最新技术。

May, 2023

本文介绍了一种新型的基于拼贴的稀疏卷积算法，通过利用计算掩码的稀疏结构，降低了 CNN 中高分辨率计算的复杂度，并应用于基于 LiDAR 的 3D 目标检测中，最终获得了显著的速度提升而无需牺牲准确率。

Jan, 2018