CVPR2022:Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds
本文基于point_base的方法实现了高效的3D检测器IA-SSD，作者认为，使用传统的FPS方法会丢失大量前景点，导致检测recall下降，因此更加关注前景点。
网络主体结构如上图所示，该网络首先使用了类似PointNet++中SA模块来进行下采样，并分析了RS,D-FPS,Feat-FPS之间的性能和效率。结果显示，RS丢失了大量前景点，导致recall明显降低，而D-FPS和Feat-FPS在前几层中保持了较高的recall，但在最后的Centroid Aggregation中性能不佳。因此作者提出了Cls-aware和Ctr-aware这两种采样策略。
Cls-aware利用原始标注框生成语义标签进行监督，并使用普通的Cross-Entropy计算损失。其式如下：
Ctr-aware计算了各点到检测框六个面的距离，用来表示该点和框实例中心的距离，距离越小，权重越高。
其中f*、b*、l*、r*、u*、d*分别表示该点到检测框前、后、左、右、上、下的距离。在训练过程中，掩码根据空间位置不同，为每个点分配不同权值，从而将几何先验隐式地纳入到网络训练中。特别地，加权交叉熵损失计算如下:
掩模与前景点的损失项相乘，使靠近中心的点具有更高的概率。推理过程保留得分最高的K个点。
四种方法实际效果对比如下图所示，可以看到所提出方法在高效的同时保持了良好的recall。
模型在2080TI上的FPS达到了83，速度非常快，却内存占比很小。
在车辆和非机动车的检测中取得了不错的效果，行人的效果不理想。
文章现在前两层使用了D-FPS，后两层使用了Ctr-aware。
