如有错误，恳请指出。
文章目录
- 1. 背景
- 2. 网络结构
- 3. 实验结果
paper：《PointPillars: Fast Encoders for Object Detection from Point Clouds》
1. 背景
PointPillars的出发点同样与SECOND一样，希望改进VoxelNet所使用3d卷积计算量太大推理速度太慢的问题。鉴于此，SECOND提出了稀疏卷积来提高普通3d卷积的推理速度，但是任然无法避免3d卷积的庞大计算量，没有从根本上解决这个问题，仍然需要使用计算昂贵的3d卷积操作。这个问题的核心本质是SECOND与VoxelNet将点云量化为三维空间上的一个个Voxel，所以3d卷积是无法避免的。
为了从根本上解决3d卷积的问题，PointPillars提出了一种新颖的量化方法（paper中写到是encoder结构，但本质上是一致的），将点云量化为二维空间上的一个个Pillars（柱），也就是取消了z轴上的bin分区，直接学习垂直列区域的点云表示。不过，这种量化方式直观上感觉会进一步量化损失的产生。
2. 网络结构
PointPillas的结构图如下所示，分为Pillar的特征提取，2d卷积操作以及最后的detection head。可以看见这里没有rpn操作，所以PointPillars属于的是one-stage，anchor-based的网络，具有速度优势，不过由于网络结构比较简单，这里就不分章节进行介绍了。
对于点云空间的xy平面进行网格划分，这里不对z轴进行切分不产生voxel，而这里的每个网格区域就是一个pillars。对于每个pillars中点具有位置特征xyz以及反射特征r，现在使用pillars的质心位置xc,yc,zc以及每个点离pillars的中心点偏移xp,yp进行特征扩充，所有原本每个点的特征dim=4，现在扩充后的特征维度dim=9。对于整个空间中用最小精度可以量化出P个pillars，每个pillars最多采用N个点，不足N用0进行填充，那么可以组成一个(D,P,N)的数据特征。为了对点特征进行编码，后续会使用MLP-BN-ReLU对D编码成C，生成(C,P,N)大小的张量，随后提取每个Pillars的局部特征，采用max pooling处理获得(C,P)大小的张量，获取到pillars-wise的特征表示。完成编码后，这些特征就会被散射回到原始的柱pillars位置来创建生成(C,H,W)的伪图像。此时的P=HxW，H和W分别表示高宽。
PointPillars通过以上操作将三维点云特征构建成xy平面上的pillar特征表示，这样就可以进行2d卷积处理，如上图的Backbone(2D CNN)所以，一个类似FPN的操作，最后对这些多尺度信息进行融合（网络结构太常见了，比较简单就不细说了），获得最后进行预测前的特征图表示。
PointPillars的anhcor尺寸设置与VoxelNet一样，也只有0°和90°两个方向。需要注意PointPillars本质上也是在xy平面上进行的2d检测（因为量化方式就直接忽视了z轴信息），所有正负样本分配时，是没有使用上框的位置高度以及尺寸高度的，这两个值是后续进回归预测的。损失部分与SECOND中一致，也使用上了SECOND对角度预测的改进。所以这里也有direction方向的分类损失，这里的detection head也包含3个部分：类别损失、位置回归损失、角度分类损失。具体见如下：
对于数据增强部分，也是copystage、单独对GT进行旋转和平移、以及对全局点进行全局旋转缩放与平移操作。和SECOND与VoxelNet类似，甚至可以说对3d点云检测的数据增强方式都是类似的。
3. 实验结果
很神奇的是，直接进行pillars量化，Pointpillars的精度确并没下降多少，甚至在不少标准上还是sota。而且，这种量化方式速度确实没话说，比SECOND快3x，逼VoxelNet快15x。
思考：
但是直觉上来说，voxel-based的量化方式保留的信息必然比pillars-based的量化方式要多，后续的损失构建以及数据增强方法基本和SECOND一样，不一样的只有是backbone的提取方式上了。那么，PointPillars这样的实验结果是否说明，3d检测的处理方法并没有充分的挖掘voxel的潜在特征（我觉得可能是64x2x400x362直接reshape为128x400x362导致信息的破坏），导致对三维空间的信息挖掘甚至没有二维信息的量化处理要有效。
那么，如何有效的对voexl-wsie特征进行合理的3d卷积处理，如何设计有效的3d卷积同时不导致太大的计算量，能否反超这种PointPillars的量化方式，这个点子不知道是否值得思考，留存，有想法的朋友可以来讨论讨论。
