前言
PointRcnn的动机？
(1)
将点云投影到鸟瞰图或者正面图，又或者投射到体素中，效率比较低下,并且在量化过程中会遭受信息损失。
(2)
F-Pointnet根据2D RGB检测结果裁剪出的截锥点云估计出三维包围盒，该方法严重依赖于二维检测性能，无法利用三维信息的优势生成鲁棒的包围盒建议。
根据（1）（2）作者提出了PointRCNN:分为两个阶段
第一阶段是自下而上生成3D bounding box 提案
第二阶段进行规范的3D框优化
?方法论
PointRCNN的框架图
?它的第一阶段Stage1：
- 点云学习是通过PointNet++提取全局点云的特征（也可以用VoxelNet）
????????输入是（bs(batch size), n, 3）的点云，输出是（bs, n, 128）的特征
- 逐点的进行前景点分割
????????
提取特征后，然后接了一个前景点分割网络（蓝色）和一个bin-based box生成网络（黄色）。一是前景点分割，二是生成预测框。分别得到1维向量和76维向量。
前景点分割网络，是由两个卷积层组成。输入是那个(bs, n, 128)的特征，输出是(bs, n, 1)的mask。1表示这个点属于前景点的概率，值越大，则它属于前景点的概率越高。加一个sigmoid限制到（0,1），然后用focal loss计算损失。
1.通过sigmoid函数将值映射到（0,1）,设定阈值分割前景点
2.由于前景点的数量通常远小于背景点的数量，因此使用该函数来解决样本不均衡的问题。
- Bin-based 3D bounding box 的生成
首先我们要了解什么是bin？
bin在上图中用绿色大括号表示，就相当于直尺上的刻度，作者这里设置，在x和z上的bin的大小为0.5m，θ则是将2π划分为12个bin。
基于bin的预测，是预测每个前景点对于bounding box中心点的偏移，偏移了几个bin，还需要预测中心点坐标在一个bin中的偏移量res，知道每个点对于中心点的偏移量之后，加上已知这个点本身的坐标，就可以得到中心点的坐标。
box生成网络，也是由两个卷积层组成。输入是那个(bs, n, 128)的特征，输出是(bs, n, 76)。
下图表示的是由76维的向量预测框，前12维预测x方向上的bin，12-24预测z方向上的bin，24-36预测x方向的残差res，36-48预测z方向的残差res，48-49预测y方向的距离，49-61预测角度的bin，61-73预测角度上的残差res，73-76对长宽高做出预测。基于bin的预测参数x，z，θ，我们首先选择具有最高预测信度的bin中心，并添加预测残差以获得重新定义的参数。其他参数则没有使用基于bin的预测方法。
知道每个点对于中心点的偏移量之后，加上已知这个点本身的坐标，就可以得到中心点的坐标。
由于y轴是垂直于地面，不用基于bin的预测。
此公式为计算偏差的公式。其中（x（p），y（p）， z（p））是感兴趣的前景点的坐标，(xp，yp， zp)是其相应目标的中心坐标，bin（p）x和bin（p）z是沿X和Z轴的ground-truth bin assignments。 res（p）x和res（p）z是ground-truth residual，可用于在assigned bin中进一步细化位置，C是归一化的bin长度。S是前景点的search range，每个1D search range均分为相同长度δ的bin，以表示X-Z平面上不同目标的中心(x，z)。
3D bounding box 的损失,其中Npos是前景点的数量，bin^（p）u是预测的bin assignments，res^（p）u是前景点p的残差，bin（p）u和res（p）u是ground-truth目标 按照上面的公式（2）计算的实际偏差，Fcls表示交叉熵分类损失，Freg表示平滑的L1损失。
- 基于BEV图做NMS去除冗余的bounding box，训练阶段只保留300个进入stage-2
来解释一下上面的方法，训练时在相机0～40m距离内的bounding box，先取得分类得分最高的6300个，然后计算bird view IOU，把IOU大于0.85的都删掉，到这里bounding box 又少了一点。然后再取得分最高的210个。在距离相机40～80m的范围内用同样的方法取90个。这样第一阶段结束的时候只剩下300个bounding box了。
300个bounding box也还是很多。于是有了第二阶段置信度打分和bounding box优化。
而在实际预测时，使用具有IOU阈值0.8的定向NMS，并且只保留前100个bounding box。
第二阶段stage2：?
把在每个bounding box proposal 内部的点聚集起来(池化)，就得到大小为(bs,m,512,c)的数据。其中bs表示batch size， m表示每个batch中有多少个bounding box（这里减少冗余后剩下128）, 512表示每个bounding box里面有多少个point。
- 每个proposal的池化点及其特征都被喂入stage-2中，用来微调3D框的位置及其前景目标置信度
- 点云区域池的操作
? ? ? ? 1.放大它以创建新的三维长方体
? ? ? ? 2.判断是否每个点p，是否都在扩大的边界框内，若在则保留特征
- Canonical 变换
????????①坐标系的中心点是proposal的center
????????②X ′? ,Z ′? 轴平行于地平面，X ′轴指向proposals的heading方向，Z ′?? 轴垂直于X ′轴；
????????③Y′轴与LiDAR坐标系保持一致
使用canonical可以更好地了解每个方案的局部空间特征。
?
- 全局语义特征和坐标规范后得特征进行融合
- box proposal 优化
规范坐标系，预测b~i 和 真实b~gt i 分别为：
?
?以与等式（2）相同的方式设置，不同之处在于我们使用较小的搜索范围S来细化3D提案的位置
- 第二阶段总体损失
其中B是来自阶段1的3D proposals集合，Bpos存储了回归的positive proposals (正样本)，probi是~bi的估计置信度，而labeli是相应的标签，Fcls是用于监督预测信度的交叉熵损失，~Lbin和 ~Lres类似于公式(3)中的 Lpbin和 Lpres。如上所述由~bi和 ~bgti计算的新目标。
?实验
?通过提交到官方测试服务器，将KITTI测试分割的3D对象检测与以前的方法进行性能比较，评估指标是平均精度（AP），汽车的阈值是0.7，行人/自行车的阈值是0.5
?
在KITTI val分割集的汽车类别上3D对象检测与先前的方法的性能比较?
?不同框的数量以及不同阈值下的3D边界框的召回。
消融实验
改进网络的不同输入组合的性能，APE,APM,APH分别表示KITTI val split上的简单，中等，困难的平均精度。CT表示规范变换。结果表明规范变换对精度有很大提升。?
?采用上下文感知点云池的不同上下文宽度η，结果表明本文提出的框架在η=1.0m时取得了最佳的性能。
?结论
1.点云自底向上生成三维提案，避免在3D空间中使用大量预定义的3D框，并且显著限制了生成的3D提案的搜索空间,比以往的提案生成方法具有更高的召回率
2.特征融合文章使用two-stage的方法，在proposal的过程中，每个个三维点都回归一个proposal，使得理论上所有的box都能够被找到
3.结合了前景点分割来预测框