论文：PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection

PVRCNN的作者又放出了PVRCNN++，主要在效率上做了改进。

PV-RCNN++

本文首先介绍了PVRCNN，然后基于PVRCNN的框架介绍了PVRCNN++的改进。PVRCNN就不介绍了，可以详见另一篇博客。

PVRCNN速度慢主要是慢在了point-based network这个部分。PVRCNN对做了如下改进。

SPC

FPS比较慢，因为FPS是

O

(

n

2

)

O(n^2)

O(n2)的时间复杂度。并且FPS是覆盖了整个场景的采样，大量的点会采在背景点上。所以作者提出SPC：第一步是用预测的proposal选出靠近物体的点，从而降低点的数量；第二步是将整个场景以激光雷达为原点，按角度分成多份，每个角度内，再用FPS。

通过减少FPS输入点的数量，来降低FPS的计算时间。而且使得选出来的key point都在物体附近

VectorPool aggregation

SA另外慢还慢在了要做radiusNN，而且SA用的MLP会丢失相对位置关系。所以作者提出了VectorPool的操作，如下图：

对于一个key point，在其周围构建一个voxel，然后对每个格子内的点做平均，然后用一个MLP做特征提取，然后把每个格子的特征拼接起来。

KITTI上报告的运算速度是每帧0.06s，感觉也已经很高了。

版权声明：本文为CSDN博主「麒麒哈尔」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/wqwqqwqw1231/article/details/113923665