【MOS】《SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds······

RV图详解 RV BEV SFV是点云输入后的三种转换形式
关于RV图更多解释以及近期进展可以看24年最新综述： 《Small, Versatile and Mighty: A Range-View Perception Framework》
前辈总结的SalsaNet和SalsaNext的区别 写得太好了，搞的我都不想自己看了（大家还是别偷懒，看看前辈的经验也要自己再认真看原文）

SalsaNet数据处理：

论文中经实验证明，转换为鸟瞰图BEV时效果最好，所以SalsaNet采用此方式，BEV是四通道（点在原来点云中的平均高度、最高高度、平均反射率以及投影点数目），SFV是六通道（3d坐标系下的坐标、强度值i、范围r以及一个用于表示是否被占用的掩码）

SalsaNet网络结构：

encoder 中的每一个块都是最经典的 ResNet + dropout pooling ， 在 decoder 里使用了 Transconv ，最后 softmax，如此经典

SalsaNext数据处理：

四通道BEV变为五通道RV（x y z 强度值 (i) 范围索引 ®）

SalsaNext网络结构：

1. 在编码器之前引入了一个新的上下文模块，该模块由融合不同尺度感受野的残差扩张卷积堆栈组成—感受野增大会增加参数的规模，也就是让训练开销更大，所以SalasNext在encoder里面增加了扩张卷积/空洞卷积/膨胀卷积/Dilated Convolution的部分，实现了感受野的增大
2. 在decoder中使用了一个像素拖拽层，简单来说就是把不同通道上的像素拖到另一个通道上，相当于将像素重新处理，起到上采样的作用
3. 将静态模型改为了动态的模型—原来的SalsaNet本质上是一个静态的模型，一旦训练结束后，权重实际上就是一个固定的内容，并不会因为数据的变化而产生变化。但是考虑到数据和模型存在的不确定性，SalsaNext将网络换为了贝叶斯网络，将权重换为了一个分布。

贝叶斯网络（BNN）与反向传播网络（BPNN）：反向传播网络在优化完毕后，其权重是一个固定的值，而贝叶斯神经网络把权重看成是服从均值为μ \muμ，方差为δ \deltaδ的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差，所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍