FALSE POSITIVE REMOVAL FOR 3D VEHICLE DETECTIONWITH PENETRATED POINT CLASSIFIER
这篇论文的目的是针对激光雷达并不能渗透目标，如果预测框中含有渗透点，那么这个框会被认为是误判。为了修正这个问题，我们通过ＣＡＤ找到车的形状，通过ＰＰＣ判断点是否是渗透点。
作者说其ＰＰＣ网络架构分为三个部分：ＣＡＤ点云对齐－》预测框－》区域点搜索。(a)图代表３Ｄ曲面坐标在２Ｄ直角坐标系的表示；（ｂ）将输入转换到原始状态；（ｃ）２Ｄ极坐标（Ｐ１）和ＣＡＤ坐标（Ｐ２）的对比；其中搜索区域中的点，根据算法被认为是渗透点；预测框是红色的，真值ｂｏｘ是绿色，ＣＡＤ点云是深蓝色，错误的正框是浅蓝色，渗透点是粉红色。
CAD Point Cloud Alignment
首先，我们预处理未加工的车辆ＣＡＤ点云和一个生成模型，为了使模型有足够的点数表示一个车辆的形状，同时为了减少复杂度，点数定为５００．接下来就是对将每一个预测框与ＣＡＤ模型进行Ａｌｉｇｎ，获得ＣＡＤ模型点云到预测框的尺度缩放和旋转，这个将作为输入放到渗透点分类器当中。
Cropping Search Area
ＰＰＣ分类器是一个二进制分类器，判断点是否坐落在渗透区，分类图像中的所有点是没有必要的，为了减少计算，我们从预测框中裁剪点云作为搜索区域。
Penetrated Point Classifier (PPC)