PointRCNN解读

论文：PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud
代码：https://github.com/sshaoshuai/PointRCNN

0 引言

PointRCNN 是第一个只基于3D点云的两阶段3D检测方法。

1 网络结构

第一阶段，通过PointNet++ 进行特征的提取，基于提取到的特征可以进行前景和背景的分割， 在每个前景点上进行3D框的预测。 这一步预测是比较粗糙的， 主要是为了提取出proposal。 前景点可能很多， 预测的框就比较多， 为了避免这一问题， 会基于框的打分以及NMS过滤掉大部分的框。
第二阶段，在上一步提取到的proposal的基础上进行进一步的refine。
值得注意的是， 在对框的预测上没有直接采用回归的方式， 而是把要回归的量转换成许多离散的bin， 预测实际值属于哪一个bin即可。 这样就把一把连续的回归问题转换成一个有限类别的分类问题， 减小了预测的难度。

网络结构如下：