PV-RCNN++网络结构

PV-RCNN++（PV-RCNN-V2）

论文：
https://arxiv.org/pdf/2102.00463v1.pdf
代码：
https://github.com/open-mmlab/OpenPCDet

1. 介绍

PV-RCNN-v2 是基于 PV-RCNN 进行改进的，包括两点，
第一个是 sectorized proposal-centric (proposal中心扇形化)策略，用于生成更具代表性和更均匀分布的关键点，
第二个是VectorPool aggregation，以取代 set abstraction，更好地聚合局部点云特征，并且资源消耗也少的多。
通过这两项重大修改，PV-RCNN-v2运行速度是v1版本的两倍多，同时在Waymo数据集上也有更好的性能。

了解 V2 之前需要对 V1 的网络结构有所了解；
可以参考这两篇博客：
PV-RCNN论文翻译
PV-RCNN之Roi-grid pooling详解

2. 贡献

（1） PV-RCNN-v1采用了两种新的操作，即 voxel-to-keypoint 场景编码和 keypoint-to-grid RoI 特征提取，将 point-based 和 voxel-based 的特征学习策略的优点深入融合到一个统一的3D检测框架中。
（2）PV-RCNN-v2具有更好的性能、更少的资源消耗和更快的运行速度，通过 sectorized proposal-centric 关键点采样策略实现，以更快的速度获得更多代表性的关键点，此外，还采用了新颖的 VectorPool aggregation 技术，以更少的资源消耗和更有效的表示方式在大量中心点上实现局部聚合。
（3） PV-RCNN-v2 在Waymo开放数据集上以10 FPS的推理速度在150m×150m检测区域获得最好的效果。

3. PV-RCNN++ 网络结构

如下图所示，用 Sectorized Proposal-Centric 的关键点采样和 Vect