3D 语义分割——Cylinder3D

😸Cylinder3D 主要贡献：

1. 将室外点云分割的重点从二维投影重新定位到三维结构，并进一步研究了室外点云的固有特性(难点)
2. 提出一个使用圆柱形（ cylindrical）分割方式和非对称三维卷积（asymmetrical 3D convolution）的网络框架，从而用来探索三维结构并应对由于稀疏和变化的点云密度而造成的问题
3. 提出的方法（CVPR2021(Oral)）在 SmanticKITTI 和 nuScenes 数据集上达到了 State-of-the-art 水平，并在基于点云的全景分割和 3D 目标检测任务上展示出了相当健壮的泛化能力

😿当前，大规模驾驶场景的点云语义分割通常将点云数据投影到 2D 空间，再通过二维卷积来处理这些投影后的数据，这也不可避免的造成了三维拓扑和几何关系的改变及损失。一个应对该问题的通常方法是采用一种包含体素和 3D 卷积的网络，但本研究发现这类网络在室外（outdoor）点云上的提升相当有限，一个重要的原因可能是由于室外点云的稀疏性和密度的变化（室内点云相对密集且密度相对均匀）。基于此，论文提出圆柱分割和非对称三维卷积来探索三维结构并保持原始点云的固有属性（稀疏性和密度变化）。此外，引入逐点细化模块（point-wise refinement module）来减少基于体素标签编码的干扰（同一个体素可能存在不同类别的点云数据）。

网络结构

1. 将点云数据送入 MLP 中获得 point-wise 的特征，再通过 Cylindrical Partition 来重新分配特征点的位置，从而生成更加平衡的点分布（在点云密度的变化方面更具有鲁棒性）
2. 通过非对称三维卷积网络处理前面生成的点特征，从而得到 voxel-wise 的输出
3. 使用 point-wise 模块来改善（refine）输出，从而得到更为精确的结果

Cylindrical Partition

✍️室外点云存在“近距离密度大，远距离密度小”的现象，而标准的体素化在 cell 划分上是均匀的，并不能适应这种现象。因此，论文作者提出一种圆柱形划分方法，该方法在近距离处的 cell 相对较小，而远距离的 cell 较大，从而能较好的适应室外点云固有的现象。

1. 将点云数据从笛卡尔坐标系的转换为圆柱坐标系（Cylinder coordinate system），即从坐标 (x, y, z) 转为 ($\rho$, θ \thet