VoxelNet

VoxelNet

Key Knowledgeable：

1. Feature Learning Network：

• Voxel Partition and Grouping
  将D×W×H的空间按照大小为划分为逐个Voxel，处于一个Voxel的point分为一组。
• Random Sampling
  选取一个阈值T，将一个Voxel内多余的点删去（减少计算量与避免Voxel点分布的过分不均）
• Stacked Voxel Feature Encoding
  将一个Voxel内的point进行相对位置编码：
  (x,y,z为一个Voxel内的均值)，使得每个点包含领域信息与位置信息为了后 续的逐点运算操作。
  上述思路参考PointNet++：采样点，分组，捕获局部区域内的点与点的相对关系。
  
  再通过FCN提取各个点的特征fi，并将各个点的fi进行Maxpooling之后的fi’与每个点的fi连接，获得每个点的领域信息聚合特征
• Sparse Tensor Representation
  只计算非空Voxel（less than10%），同时非空Voxel也通过采样T个点将非空体素特征表示为稀疏张量

2. Convolutional Middle Layers
   常规的卷积，使用3D卷积扩大了感受野，通过领域信息与位置信息聚合的特征获得更多形状特征。
3. Region Proposal Network
   
   同样采用Multi-Scale的思想，使用2D卷积获得不同尺度的特征图，之后将不同尺度的特征图进行Deconv（Unsampling）转为统一尺寸之后拼接起来，映射成两个输出特征图进行probability与box的预测。
4. Loss Function
   
   u为偏移信息（为anchor→box，为anchor→ground truth）
5. Efficient Implementation
   通过Hash映射高效地创建一个Voxel Feature堆栈,删去了大量空Voxel，减少了空间与时间消耗。将稀疏分布在3D空间的点云信息转换为堆叠的密集分布的Voxel Feature