如有错误，恳请指出。
文章目录
paper：《PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection》（2022 IJCV）
做点云检测的肯定知道了，这又是Shaoshuai Shi大佬的另外一篇文章，Shaoshuai Shi大佬的主页介绍：https://shishaoshuai.com/
1. 背景
PV-RCNN++的基本原理延续这PV-RCNN：基于体素的策略可以更有效地编码多尺度特征，并从大规模点云生成高质量的3d候选框；而基于点的策略可以保留精确的位置信息，并具有灵活的感受野，用于细粒度的建议细化。
在PV-RCNN的基础上，PV-RCNN++对其进行了改进。改进的第一点就是关键点的采样，这里提出了分区关键点采样策略（sectorized proposal-centric keypoint sampling strategy），要比原始的距离最远点采样更加高效（D-FPS距离最远点采样的具有二次的算法复杂度）。改进的第二点是roi特征聚合的改进，这里提出了一个VectorPool聚合模块来替换SA层作用。具体来说，将局部空间进行voxel，然后利用独立的kernel weight分别对不同局部位置进行编码再拼接在一起。
对PV-RCNN进行的两点改进后，PV-RCNN++的速度提高了3倍，而且性能更佳。
2. 网络结构
paper中还包含着PV-RCNN的介绍，这里对其pass掉，直接介绍PV-RCNN++的结构。对于PV-RCNN的介绍可以查看之前的笔记。PV-RCNN++完整结构如下图所示：
可能由于nuSences与Waymo的单帧点云场景点数量过于庞大，相比之下KITTI数据集显得就比较小了，基于此原本的PV-RCNN会面临一个性能的问题，计算量过于复杂。为此PV-RCNN++提出了两个新模块来提高PV-RCNN的性能：一种是以分区为中心的关键点采样策略，用于更快更好地进行关键点采样;另一种是VectorPool聚合模块，用于更有效地从大规模点云中聚合局部特征。下面分别对其进行介绍。
2.1 Sectorized Proposal-Centric Sampling
距离最远点采样在之前的多个经典算法中都有使用到，作用是采样点云中的关键点。但其有两个缺点：
1）最远点采样的二次复杂度导致采样时间过长，影响了PV-RCNN的训练和推理速度，尤其是大规模点云上的关键点采样。
2）最远点采样将生成大量的背景点（这一点在3D-SSD中也有提及，其改进的方向是提出了特征最远点采样F-FPS辅助使用），这些背景关键点通常对候选框细化无用，因为RoI-grid pooling模块只能检索候选框周围的关键点。
为此，PV-RCNN++中提出了以提议为中心的过滤和分扇区的采样，其包括两个阶段：以提议为中心的过滤和扇区化采样。结构如下图所示，相关步骤画得相当清晰了。
Proposal-Centric Filtering
在原始的最远点采样中，会在整个3d点云场景以二次复杂度来遍历一个个获取点。这里引出了一个概念是，可以想减少关键点采样的区域，比如对每个候选框中心进行一定距离划分一个球状区域，来限制与缩小原始的采样区域，减少获得的背景点概率。
其中pi是原始点位置，cj是候选框中心位置，dj是候选框尺寸，rs是一个半径范围的超参数设置。通过对候选框划分采样的限制区域，可以大大的减少需要采样点的数量。比如在Waymo数据集中，采样点数量会从180k减低到90k以下。
因此，通过候选框中心区域来进行过滤限制采样范围，不仅降低了后续关键点采样的时间复杂度，而且集中在这些有限数量的关键点上可以更好地编码候选框ROI特征。
Sectorized Keypoint Sampling
在对点云场景进行区域限制后，下一步就是进行分区的操作。具体来说，对点云以场景中心为中心划分出s个扇区，这是通过bev视图对360°进行均匀的角度划分，公式如下：
这里的sk就表示了每个分区点集，从s/2π可以了解是全角度进行均匀分区。假设现在需要采样n个关键点，每个分区s需要采样的个数是按照过滤后的点集中占有比例来确定的，既：(sk/P’)*n。划分分区后，对每个分区进行距离最远点采样即可（距离最远点采样所获得的点是比较均匀的）。需要注意，在每个分区上进行D-FPS是可以在gpu上平行计算的，极大地加速了采样的效率。
从算法层面上来看，这里提出的采样方法将原始的采样规模P降低到了比其小得多的|sk’|中，不仅有效地加快了关键点采样的速度，而且将关键点集中到3D候选框的邻近区域，提高了关键点特征表示的能力。
2.2 VectorPool Aggregation
PV-RCNN中另外一个耗时耗资源的地方就是set abstraction（Keypoint-to-grid RoI Feature Abstraction部分），其利用了多层MLP结构分别处理邻域点集中的所有point-wise feature。此外，为了聚合邻域特征还使用了max pooling，paper提到set abstraction操作中的max pooling会丢失局部邻域的空间分布信息，损害局部聚合特征的表征能力。
为此，引出了另外一个模块。提出了一种基于VectorPool的大规模点云局部特征聚合模块，其能够更好地保持局部邻域点的空间分布，并且比常用的set abstraction操作占用更少的内存和计算资源。结构如下所示：
具体来说，对于候选框内的每一个目标点（target center points），需要利用周围的support points来聚合候选框的ROI信息。这里的具体操作是，对每一个目标点首先识别在其邻近区域内的立方体，具体公式如下：
其中(aj-qk)获取的是3d距离的最大轴对齐值（axis-aligned value）。随后和PV-RCNN类似，将这个邻域立方体切分成nxnynz大小的voxel组成。
现在需要对每个sub-voexl进行特征编码，简单的方法可以是去voxel内点特征的均值或者是随机采样一个点特征作为voxel-wise feature，但是这两种方法会在sub-voxel中产生大量的空特征降低算法性能。PV-RCNN++这里的编码方式是采取PointNet++中的反距离加权策略，从Yk中考虑k个（这里k=3）最邻近的点特征进行反距离加权来作为当前sub-voxel的voxel-wise feature。至此实现了对候选框中的每一个sub-voxel进行编码。
此外，不同局部位置的subvoxel可以表示不同的局部特征，因此这里还利用了单独的核权重对不同的局部位置的subvoxel进行编码操作。此时，对于每一个subvoxel的特征会加上其中心点与三个最邻近点的相对距离，两者进行concat再与核权重编码，公式如下所示。由于有三个临近点，所以(ai-vt)表征的相对位置特征信息维度为9。
随后，由于这里会考虑每个subvoxel的相对位置，所以会对每个候选框的subvoxel都进行排序操作，按照一定的位置关系进行排序拼接成一个hyper vector。
再利用多层MLP对这个hpyer vector进行编码操作，获得每个候选框的最终表征特征，来进行后续的Confidence Score以及Box Refinement预测。
3. 实验结果
感觉20/21年之后，3d检测主流的公开数据集使用的是nuScenes和Waymo，结果如下所示，可以注意到部分方法还利用到了多帧点云（太恐怖了，学不过来了…）。PV-RCNN++利用了多帧信息是要比单帧结果要好1-2%的。
其实在kitti上也做了性能测试，不过可能kitti性能已经接近饱和了，相对其其他的两个数据集也显得简单了一些。PV-RCNN++相比PV-RCNN并没有增加多少的点数。
此外，PV-RCNN++还同时测试了anchor-based策略（类似SECOND）与center-based策略（CenterPoint所提出），也证明了center-based策略更加有效，一般有1%以上的提升。正如CenterPoint中所说，得益于点的灵活性，避免了方向属性，减少了搜索空间。
还有其他的消融实验这里就不一一介绍，实验做得是非常充分。比如，paper中将分区采样与其他的一些采样方法进行了对比。
其他实验详细请查看论文。