概述

首先本文是基于图像和点云的，属于早期的模态融合的成果，是串行的算法，而非并行的，更多的是考虑如何根据图像和点云这两个模态的数据进行3D目标检测。
提出动机与贡献1：以往基于点云的算法，要么是将点云进行编码成规则结构如体素、体柱，然后进行处理，要么是将点云转换成图片类型（鸟瞰图），然后进行处理，这些方法都会损失原始点云的信息。因此直接基于原始点云进行目标检测能够更加有效的利用3D的信息，这方面比较经典的工作就是PointNet类的算法，它们能进行分类和分割，并没有进行目标检测，因此作者提出了一种方法将PointNet用到了目标检测当中。
提出动机与贡献2：以往基于点云的算法基本都是使用RPN网络生成3D候选框的，但是基于原始点云的话，RPN不好做啊，因为不好设置3D anchor了就。因此作者就将2D候选框和3D实例分割等操作结合起来生成候选框。

ps：
2D目标检测中ancho：两阶段算法中，anchor用于候选框的生成，单阶段算法中anchor用于最终边界框的生成，他们都是需要对anchor的偏移参数进行预测，然后将偏移参数作用到anchor上得到我们想要的结果（候选框或者边界框），那怎么得到参数的预测结果呢？一般都是得到一个全局的特征，然后用 $1 * 1$ 卷积调整通道数。比如我们将全局特征通过 $1 * 1$ 卷积得到了 $7 * 7 * (4 * k)$ 的结果，就代表着原图中设置了 $7 * 7 = 49$ 个位置，每个位置放置了 $k$ 个anchor，每个anchor对应4个偏移调整参数。这个位置怎么选择呢？可以将结果特征图中的点按照一定的规则映射到原图中，也可以采用什么别的方式，接着以这个位置为中心，放置不同长宽比例、不同大小的矩形框作为先验也就是anchor。
视锥：视锥就是下图中有颜色的部分（立体梯形），相机中图像成的像就是视锥中的内容。因此我们可以通过图像以及相机的内置参数得到视锥。
在这里插入图片描述

细节

网络结构

整体流程：

首先使用2D目标检测器在图像中得到候选框并进行分类
借助相机的内参将2D候选框转换为得到3D视锥（frustum）
对3D视锥内的点进行3D实例分割，得到每个点的类别
基于分割的结果，1个PointNet的变体（T-Net）回归中心点坐标，另一个PointNet的变体回归尺寸和航向角。

视锥候选框

首先使用2D目标检测器在图像中得到候选框并进行分类，然后借助相机的内参（投影矩阵）将2D候选框转换为得到3D视锥，视锥内的点就构成了视锥点云。但是对于不同的2D候选框，视锥可能会朝向很多不同的方向，点云的分布很不稳定，所以作者对视锥中的点做了几何变换，（下图a）使得z轴指向视锥的中心，那么视锥中的点的分布就很稳定了。
注：1、因为候选框只会包含一个目标，所以理论上每个视锥中也仅包含一个目标。
在这里插入图片描述

3D实例分割

我们现在已经有了2D候选区域以及它对应的视锥点云，接下来就是从中得到3D边界框。一个直接的思路就是将视锥点云转换成2D候选区域的深度图，然后使用CNN处理，但是其中会存在物体遮挡和背景杂乱的问题。这个问题在2D中是很难处理的，但是在3D中是比较容易处理的，因为3D空间中物体是自然分离的。因此作者使用PointNet对视锥点云中的所有点进行2分类（目标点云以及非目标点云），得到目标点云。

上面说了视锥中的目标主体只有一个，也就是和2D候选框中的类别一致的，因此我们可以将之前预测到的2D候选框类别作为额外的特征或者说是先验知识，加到视锥中的点上，方便分割。

分割结束之后，得到目标点云，再做一次几何变换

注：为什么作者根据2D候选框生成视锥，然后做3D分割而不是直接使用2D分割昌盛视锥呢？就像前面说的，2D分割难度大，效果差；3D分割难度小，效果好。

在这里插入图片描述

边界框参数回归

实验中发现目标点云的中心距离边界框的中心依旧比较远，因此作者单独使用T-Net回归边界框的中心点坐标，这里的回归指的是目标点云的质心相对于边界框中心的偏移，回归结束就能得到粗粒度的边界框中心点。再使用一个PointNet的变体（Amodal 3D Box Estimation PointNet）实现边界框的尺寸（h,w,l）、航向角的回归以及中心点坐标的进一步回归，输出维度是 $3 + 4 * N S + 2 * N H$ ，其中3是边界框中心点的坐标偏移， $N S$ 是不同尺寸的anchor个数，4是长宽高以及置信度， $N H$ 是不同朝向的anchor，2是置信度以及航向角。

注：这里的T-Net类似于PointNet中的T-Net，但是它不学习旋转矩阵，而是实现边界框中心点坐标的回归，因此它是有监督的。
在这里插入图片描述

损失函数

损失主要包含四部分：3D分割的损失，两次几何变换的损失、边界框相关的损失以及最后的角损失。
具体： $L_{seg}$ 是分割损失、 $L_{c1-reg}$ 是两次几何变换的损失、 $L_{c2-reg}$ 是中心点回归的损失、 $L_{h-cls}$ 和 $L_{h-reg}$ 是航向角分类和回归的损失、 $L_{s-cls}$ 和 $L_{s-reg}$ 是各个尺寸分类和回归的损失。
在这里插入图片描述
上面公式写的很多，相当于是各个参数都单独预测了，但是他们应该是一起起作用得到边界框的，所以引入了8个角的损失。