yanghao201607030101的博客

PointPillars是对VoxelNet的改进，将VoxelNet中体素z轴的离散单位变成了整个z轴，也就是说原来VoxelNet中体素是一个个格子，长宽高各有若干个，提取每个体素特征后得到一个3D特征tensor，而PointPillar的体素是一个个立在x，y平面的柱子，高为整个z轴，提取每个体素的特征后得到的是一个2Dtensor。于是，和VoxelNet相比，PointPillars就只需要用2DCNN对编码的tensor卷积，而不是计算量极大的3DCNN，从而极大的节约了时间。

SECOND是对VoxelNet的改进，其输入是点云，将点云离散化到体素之后，利用PointNet的VFE编码每个体素的特征构成稀疏的3D特征图，为了节约计算，利用稀疏3DCNN卷积中间层对此稀疏3D特征卷积，最后得到一个2维特征图，最后使用FPN检测头做定位、分类和定向三个子任务。

PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud。文章提出的PointRCNN直接在原始点云上进行3D目标检测，检测器由两个阶段组成：第一阶段是bottom-up的方式生成3D proposal generation，第二阶段用于在规范坐标中精炼第一阶段生成的proposals 以获得最终的检测结果。

VoxelNet: End-to-End Learning for Point Cloud Based 3D Object DetectionVoxelNet消除了对3D点云进行手动特征工程的需要，这是一种通用的3D检测网络，它将特征提取和边界框预测统一为一个单阶段（one-stage）的，端到端的可训练深度网络，在KITTI数据集上取得了SOTA