【论文略读】【3D检测】LiDAR R-CNN: An Efficient and Universal 3D Object Detector

笔记

面向3D点云目标检测（自动驾驶数据集），弥补两阶段的point-wise检测不足。
3D目标检测，看名字带RCNN就知道是两阶段，强调了plug and play，即插即用，也就意味着适用于各种点云数据集，因此输入并不会包括kitti中的点云反射率等数据集独有的量，而仅仅包括了点的坐标。顺带一提，这种plug and play的思想可能永远轮不到多模态，毕竟各大数据集的标定格式都不大一样，坐标系转换分分钟原地爆炸。
选择了PointNet作为主干网络，作者认为PointNet比较适合这种对效率要求高的任务。采用的损失函数仍然是分类+回归，分类用了交叉熵，回归仍然是万年不变的SmoothL1，回归角度不同于传统考虑到0和pi对抗问题采用的三角函数+方向分类处理方法，而是采用原始方向+翻转方向。

比较特别的是对proposal的一些讨论：如何知道proposal怎么样呢？proposal是不是大了啊？

尺寸归一化说我大概也许能知道，但会把proposal变成平行四边形；anchor说我可以搞锚点，但是搞不来proposal；voxelization说我倒是能大概知道proposal是不是大了，但我不知道它的具体边界啊。所以，来了来了，Boundary offset和virtual point向我们走来了！根据proposal的位置，每个点会有边界偏移，边界偏移与点特征相连；添加虚拟网格点，就能知道清晰的边界信息。
这两种应对proposal size ambiguity的机制，就是本文最重要的创新点。
然后在kitti和waymo上验证，涨点完毕。