ICCV：SPG论文理解

OD和Kirk（Domain Adaptation）之间的主要领域差距是点云质量恶化，这是由阴雨天气条件引起的。在目标域中，我们将这种现象称为“缺失点”问题。

Algorithm

设计了SPG，在Waymo Domain ADaptation（Main）数据上预测的前景区域生成语义点，并恢复前景物体的缺失部分，这些缺失部分是由遮挡、低反射率或天气干扰等现象引起的。
数据处理：将点云划分为体素，创建体素标签，对于每个体素：

1. 是否为前景体素
2. 体素特征（坐标为前景点的质心，特征为前景点平均）

网络对每个体素进行分类和特征回归预测：[类别，特征，置信度]。
针对恢复由“缺失点”问题引起的空体素的问题，设计了两个模块：

Hide and Predict

在训练集上选择25%的非空体素隐藏其中的点，要求网络仍然预测被隐藏的体素。（标签仍然具备信息计算loss）

Semantic Area Expansion

将网络的体素分类拓展为4类：非空前景体素、非空背景体素、空前景体素、空背景体素。
非空前景体素和空前景体素置标签为1，其中空前景体素会加上一个<1的权重。

Loss

体素类别分类的focal loss与特征回归smooth−L1 loss（只计算模型预测的区域）

Experiments

在Waymo Object Detection和Waymo Domain Adaptation上的结果：