論文題目
Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds
該論文由海康威視出品，雖然結構簡單，但效果就是好。排到了第三的位置上。
Voxel-FPN
整體框架如下，分爲三個部分。
Voxel Feature Extraction
這部分的feature的extraction的方式是與VoxelNet一模一樣的，具體見下圖：
與VoxelNet不同是，在提取Voxel的feature的時候，就對多個尺度的Voxel進行了處理。分別爲S，2S和4S，與傳統的FPN不同，輸入的圖片只有最高分辨率的一張，本文相當於對輸入的圖片就行了下采樣，與不同層的feature map相融合。
Multi-scale Feature Aggregation
得到的Voxel的feature其實還是一個四維的數據，但文中也沒細說怎麼處理，反正用的卷積核是2D卷積核，所以我認爲是將同一位置不同高度的voxel的feature堆疊起來了。
具體的操作如下圖：
RPN-FPN
具體構成也沒有講，從要回歸和分類的變量看，也比較普通：
實驗
實驗結果就分爲如下兩塊，第一個是自己的ablation study：
另外一個就是對比：
思考
1、爲什麼加了4S的feature，效果反而降下來很多？文章中也沒分析，我對此也不理解。
2、文章中SSD與FPN-RPN的對比，其實我不是很理解這部分的對比。SSD的detection head是加在了下采樣的過程中，FPN-RPN的detection head是加在了上採樣的過程中。而文中說的類似於SSD的設置，具體也沒講清楚，所以不知道SSD要比FPN-RPN強在哪裏？
3、其實可以看到，本文作爲在俯視圖中使用One-stage檢測方法的典型代表，與PointPillars和VoxelNet（two-stage），但本文方法效果就是很好。與PointPillars相比，理論上的區別在於PointPillars是使用PointNet提取每一個Voxel的特徵的，而且一個Voxel是佔據空間中一個豎直長條的位置的。與VoxelNet相比，是吧雙階段的檢測模型換成了單階段。
4、本文的內容寫的還是比較粗糙，很多細節都沒有交代，例如detection head的具體構成，object在FPN中由哪個層預測的assignment等等，需要看了代碼才能理理清楚。但本文效果非常好，使用的訓練的具體方式，如果能放出來，也許有很大的借鑑作用。