3DSSD

3DSSD

1. voxel-based methods:straightforward and efficient but loss information and encounter performance bottleneck
2. Point-based methods:achieve better performance but have two stage and inference time is usually intolerable
3. 首个不用FP layers 和 the refinement module的point-based方法，并且针对耗时问题提出新的框架将旧方法的固有模块删除，权衡effective and efficient。

Key Knowledgeable：

1. Fusion Sampling
   the cost of time in FP layers and the refinement module
   Point-based methods有着更高的precision，但是FP layers and the refinement module的时间消耗过大，尝试去除这两个模块：
   Feature-FPS
   区别于常规的FPS（Distance-FPS），Feature-FPS以各个点的语义特征做FPS采样，使得采样的点尽可能多地覆盖到所有类别。可以显著提高去除FP layer情况下使用D-FPS的召回率。
   Fusion Sampling
   
   Ld：距离差距大，尽可能覆盖全部区域（防止背景点过少样本不平衡，不利于分类任务）
   Lf：语义特征差距大，尽可能采样多的种类点
2. Candidate Generation Layer
   
   backbone提取的Nm/2个点的特征用于候选中心点的选取（D-FPS的点大多是背景点只用于聚合特征，而不会成为候选框的中心点）。
   将每个候选中心点有监督着朝着中心做偏移，成为真正的候选点。
3. Anchor-free Regression Head
   通过CG获得的候选点特征进行偏移量(dx、dy、dz)与框大小(dl、dw、dh)的预测用于回归出box：
   
4. 3D Center-ness Assignment Strategy
   为每个一个候选点分配标签，参考FCOS在2D图像上通过掩码标签（表示是否在框中）与计算中心度标签：
   计算哪个点尽可能靠近3Dbox的中心点（靠近中心点的f≈b,l≈r,t≈d）