【论文阅读】【三维目标检测】STD: Sparse-to-Dense 3D Object Detector for Point Cloud

STD: Sparse-to-Dense 3D Object Detector for Point Cloud
2019ICCV文章，3D Object Detection

STD

方法仍然为two stage的方法，先进行proposal，后进行优化。整个网络结构如下：

Proposal Generation Module

该论文提出了基于球形anchor的proposal generation的方法，这一点我觉得仍待讨论，但不影响我们对论文的理解。

首先，提出这种球形anchor的motivation如下：
For example, the amount of points is prohibitively huge where high redundancy exists in anchors. They cost much computation during training and inference. Also, the way to assign ground-truth labels for anchors needs to be specially designed.
也就是说，用每个激光点预测一个proposal是过量的冗余了。
（这也是我不明白的第一点，在最后我会统一讨论）

每一个球形anchor是对应着每一个激光雷达点的，可以认为每一个点以自身为中心，一定半径产生了一个球，这个球就是anc