VoxelNeXt:FullySparseVoxelNetfor3DObjectDetectionandTracking目前自动驾驶场景的3D检测框架大多依赖于densehead，而3D点云数据本身是稀疏的，这无疑是一种低效和浪费计算量的做法。我们提出了一种纯稀疏的3D检测框架VoxelNeXt。该方法可以直接从sparseCNNs的backbone网络输出的预测sparsevoxel特征来预测3D物体，无需借助转换成anchor,center,voting等中间状态的媒介。该方法在取得检测速度优势的同时，还能很好地帮助多目标跟踪。VoxelNeXt在nuScenesLIDAR多目标跟踪榜单上

GitHub-dvlab-research/VoxelNeXt:VoxelNeXt:FullySparseVoxelNetfor3DObjectDetectionandTracking(CVPR2023)https://arxiv.org/abs/2303.11301摘要当前3D目标检测模型，在检测部分都是沿用2D的方法，在dense的特征图上，通过预设的anchor或者center来预测3D的框，本文的创新是利用点云的稀疏的特性，在通过spconv提取特征后，不转化到dense的特征图，直接在稀疏的特征上进行3D框的预测。经验证，在常用的公开数据集上都取得了很好的效果。1.介绍以常用的cen