MUFASA：具有空间意识的多视图融合与适应网络用于雷达物体检测

近年来，基于雷达物体检测的方法在自动驾驶系统中取得了显著进展，因为它们在不利天气下相比于LiDAR更具鲁棒性。然而，雷达点云的稀疏性在实现精确物体检测时带来了挑战，突显了有效和全面特征提取技术的重要性。为了解决这个挑战，本文引入了一种雷达点云的综合特征提取方法。本研究首先通过使用即插即用模块GeoSPA来增强检测网络的能力。该模块利用拉隆德特征探讨局部几何模式。此外，设计了一种分布式多视图注意力机制DEMVA，以整合整个数据集的共享信息与每个单独帧的全局信息。通过采用这两个模块，我们提出了我们的方案MUFASA，通过改进特征提取提高物体检测性能。该方法在VoD和TJ4DRaDSet数据集上进行了评估，以证明其有效性。特别是，我们在VoD数据集上取得了基于雷达的方法中的最先进结果，mAP为50.24%。