标题：PointPillars: Fast Encoders for Object Detection from Point Cloudsgit
连接：github
https://arxiv.org/abs/1812.05784web
做者：Alex H. Lang, Sourabh Vora, Holger Caesar, Lubing Zhou, Jiong Yang, Oscar Beijbom微信
源码：网络
https://github.com/nutonomy/second.pytorch学习
今日导读ui
PointPillars是在VoxelNet和SECOND的基础上进行改进，获得的点云目标检测网络。该网络目前在KITTI上3D汽车检测项目中排名第18。只用了点云数据，运行时间为16 ms，实时性很好，已被CVPR2019收录，是一个很是有前景，值得关注的成果。url
为了很好的理解PointPillars，咱们须要对VoxelNet和SECOND进行简单介绍。spa
1、VoxelNet.net
VoxelNet发布于2017年，不一样于MV3D和AVOD将点云投影成鸟瞰图的处理方式，VoxelNet将点云表达成Voxel（体素）形式，这是一种规则化的三维空间结构，
而后用简化版的pointnet（即VFE）网络对每一个Voxel中的点云进行特征提取，这样就在三维Voxel结构上增长了特征信息，因此每一个点云文件都成为一个四维张量的“特征图”。这种特征图是没办法用常规的图片领域的（长、宽、通道）三维卷积核进行处理的，因此做者使用的是四维的卷积核（长、宽、高、通道）来进行处理，并构造了RPN网络用来作目标检测。
这种思路不须要把点云压缩成鸟瞰图，保留了更多的空间信息，最终也获得了CVPR2018的承认。虽然目前官方代码没有开源，可是有一些学者发布了复现的代码，可供研究者学习和改进。这种处理点云的思路有很高的优点，目前KITTI榜单中有很多成果都是在沿着这个思路作出来的。
2、SECOND
SECOND是重庆大学YanYan的成果，针对VoxelNet稀疏性致使的运算效率低的痛点作出了关键性的改进。一样将点云转换成Voxel形式，并用VFE层进行特征提取，到这里跟Voxelnet的流程彻底同样，可是接下来就不一样了。SECOND引入了稀疏卷积层，在Z方向上对体素进行稀疏卷积处理，在提取特征的同时，把三维的体素在空间上逐渐削薄，最终获得鸟瞰图，而后用二维的目标检测网络进行处理。
稀疏卷积层的引入，大大提升了运算速度。目前官方代码已经开源。SECONDv1.5在KITTI榜单取得了不错的效果。值得一提的是，PointPillars目前发布出来的代码也是在SECOND代码的基础上进行改进获得的。所以SECOND的代码很值得读者研究。https://github.com/traveller59/second.pytorch
3、PointPillars
到了pointpillars，相信很多读者会和我产生同样的想法，这个网络其实就是对SECOND作了简化，直接把点云表示成一个一个的“Pillar（柱子）”：
而后用VFE分别提特征，这样直接获得的就是鸟瞰图，也就是做者文中所提的“伪图像”。中间省略了SECOND中的稀疏卷积操做。
最后的检测网络部分也有所改进，再也不赘述。
关键这个网络的代码也是在SECOND基础上实现的，可是竟然就拿到了CVPR…（我胡说的）
因此SECOND一顿操做猛如虎，最后没有发到顶会上。这里为YanYan可惜一下，工做作的真的很棒！
往期相关：
本文分享自微信公众号 - 3D点云深度学习（PointCloud-AI）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。