论文小结——CenterPoint

是一个two-stage的策略

step 1：预测出centers和3d bbox，论文里在对比时有用到voxelNet和PointPillars

step 2: 将step 1 中学习到的每个面的center point feature 拼接在一块，通过MLP层来refine 置信度和预测结果

 

HEAD  网络有四个输出：①表征目标中心位置的热力图；②目标尺寸；③目标朝向；④目标速度 (速度用于做目标跟踪，该思路来源于另一篇文章CenterTrack[2]) 。不难看出，这是一种典型的center-based anchor-free检测头。

 

优点：

1.基于点的representation可以减少搜索空间，同时使得backbone学习到object的旋转不变性和相对等价性

2.可以简化一些任务，如tracking

3.基于点的特征提取可以使得设计更加快速

 

 

思考：

1）每个面的center feature到底是怎么提取的？（论文中说是For each point, we extract a feature using bilinear interpolation from the backbone map-view output M。。。。不太能理解啊啊啊！！）

2）当点云太稀疏时效果就不太好，比如nuScenes数据集上的效果就不如Waymo.....（论文中说nuScenes是用的32 lanes Lidar）

 

 

 

补充知识：

就笔者目前看见的anchor-free检测头可以分为三种：
center-based representation: 如Centerpoint
point-based representation: 如PointRCNN[3], 3DSSD[4]
pillar-base representation: 如POD [5]