目录
论文背景以及基本思想
论文出发点:本文基于F-PointNet的思想，认为F-PointNet非端到端，最终3D Box的预测强依赖于3D点云的分割结果，前置模块的点云缺失会造成后期预测不准确。
算法基本流程
- 核心点:
- 将2D detection的结果得到的视锥等分为T个部分，对所有视锥部分进行PointNet特征的提取，组成2D的feature map（L*d）通过FCN（kernel:3*d）网络进行每个部分的box分类和位置预测
- 视锥分割采取多组stride，在网络不同阶段进行多尺度的融合
整体框架图:
视锥的划分，通过不同stride产生的feature进行融合:
- 多尺度进行feature的融合:
算法细节
其他细节:
- 采用Focal loss平衡foreground和background
Final refinement：在得到3D box的输出后，将预测得到的3D box进行expand和normalization（将框扩大factor倍（1.2），方向不变），然后将这些框内的points再次作为网络的输入，进行二次的refinement，结果显示refinement的提升很大（+2Ap以上）:
- 消融实验:focal loss和refinement:
