香港中文大學，香港科技大學出品，賈佳亞團隊
2020CVPR
3DSSD
F-FPS
這是我認爲本文最重要的一個貢獻，該貢獻解決了前景點採樣點（representative points）少的問題。解決方式也很巧妙，在FPS的過程中，除了使用點與點之間的距離，還加入了feature與feature的距離。該方式的加入使得采樣點中前景點的數量更多了。具體效果也在Table 2中做了比較。
值得注意的一點是，作者並沒有完全使用F-FPS，而是使用了D-FPS與F-FPS的結合，兩者均取一些點，然後將兩者採樣的點合起來。這樣做是爲了在訓練過程中引入足夠的負樣本。
Framework
如果讀過VoteNet這篇論文，可以發現CG Layer與VoteNet中的很像。VoteNet的詳細解讀可以參考我的另外兩篇博客[1][2]。
Loss中也是與VoteNet很像，新的部分是使用了center-ness score，center-ness score文中說是參考了2D Object Detection中FCOS。如果看FCOS，可以看到這個的center-ness score與FCOS中的確實很像，只不過是由2維度變成了3維。
Experiment
在KITTI和nuScenes數據集上都做了實驗，效果還不錯
Ablation Study分別驗證了
- F-FPS與D-FPS結合的有效性
- CG Layer的有效性
- Center-ness score的有效性
- 計算時間上的優勢
問題：
1、由於還是FPS，儘管加入了feature空間，還是相當於對（位置+feature）空間內全體的採樣，也就是說在預測時，還有很多背景點。
2、Figure. 3沒有詳細解釋，通道數對不上啊。例如左圖，第一次下采樣過後的點的feature的通道數不應該是（64+128+128）嗎？