u013086672的博客

SA-SSD收录于CVPR 2020。这是一篇由香港理工大学和阿里巴巴达摩院合作的工作。这篇文章作者提出一个One stage的方法，但又兼具two-stage方法的精细回归特性，作者在backbone的基础上添加了一个辅助网络，使得backbone具有structure aware的能力，使得定位更加准确。另外作者也对预测框和classification confidences之间不匹配的问题，也设计了一个新的解决办法。

这文章标题为《STD: Sparse-to-Dense 3D Object Detector for Point Cloud》，收录于ICCV 2019。这是一篇来自港中文教授贾佳亚组的工作（和腾讯优图的联合工作）。该组相关的工作还有IPOD、Fast Point R-CNN等。这篇文章的创新点比较多，刚出来的时候在KITTI benchmark上也是state-of-the-arts水平，而且兼具不错的实时性。

PV-RCNN收录于CVPR 2020。文章一作作者是来自香港中文大学MMLab实验室的博士Shaoshuai Shi，这是我知道的他的第三篇一作论文，前两篇分别是PointRCNN（CVPR 2019）、Part A^2 Net（PAMI）。这是一篇将Voxel-base方法和Point-base方法进行深度结合的文章，充分结合了两种方法各自的优势，算是一个集大成者。

这篇文章是针对之前工作PointRCNN的改进版，起初这篇文章挂在axXiv上时（19年7月份）就引起了笔者的关注，目前这篇文章是作者提交的第三版，内容上更加丰富并且容易理解。这篇文章主要强调的是charge-of-free的intra-object part prediction的重要性，它能够帮助网络更好的了解proposal的形状和位置信息。

这两篇文章均来自斯坦福大学AI实验室和几何计算组的Charles R. Qi*（祁芮中台）等人于2017年分别发表于CVPR和NeurIPS上。两篇文章的题目分别为：PointNet、PointNet++。其中PointNet被首先提出，而PointNet++是PointNet的改进版。本篇小结将以PointNet++为主干来进行介绍，其中会穿插PointNet的核心特性。