点云检测网络PointPillar

1. 提出PointPillar的目的

在此之前对于不规则的稀疏的点云的做法普遍分为两派:

一是把点云数据量化到一个个Voxel里，常见的有VoxelNet和SECOND , 但是这种做法比较普遍的问题是由于voxel大部分是空集所以会浪费算力(SECOND利用稀疏卷积解决了它) ，但是二者都还存在高度的信息所以还需要计算三维卷积的。
一是从俯视角度将点云的数据进行处理，将高度信息通过一系列手段去除从而获得一种类似Pseudo image的方式从而去用一些经典的图像网络去处理一些任务比如，MV3D和AVOD。

本文也有点类似上面的思想二，有以下几个明显的亮点：

是一种结合了点试图思想(忽略非空区域)以及俯视图(量化2D平面而得到伪图片)的点云融合感知算法
将三维点云处理为二维伪图像，用传统CNN对伪图像进行特征提取，推理速度显著提升，是其他方法（含3维卷积）的2-4倍。

2. PointPillar网络结构

整个算法逻辑包含3个部分：数据预处理，神经网络，后处理。其中神经网络部分，原论文将其结构描述为3个部分：

PFN（Pillar Feature Net）：将输入的点云转换为稀疏的伪图像的特征形式。
Backbone（2D CNN）：使用 2D 的 CNN 处理伪图像特征得到高维度的特征。
Detection Head（SSD）：检测和回归 3D 边界框。

在实际部署的时候，结构拆分和论文中的稍微有些出入。主要是分成PFN（Pillar Feature Network），MFN和RPN。其中MFN是用来将PFN提取的Pillar级的点云深度特征进一步转化为伪点云图像。RPN就是Backbone，而检测头的部分功能被包含在后处理的逻辑里面。

2.1. PFN（Pillar Feature Network）模块

因为不同点云帧的点云数量是变化的，非空Pillar的数量自然也是不同的，在考虑将PFN导出为ONNX模型时，需要采用dynamic shape。

从PFN的8个输入可知，num_points表示每个Pillar包含的实际点云数量，这个轴是dynamic的。

首先将一个样本的点云空间划分成（在 X 轴方向上点云空间的范围/pillar size，在 Y 轴方向上点云空间的范围/pillar size）pillar 网格，样本中的点根据会被包含在各个 pillar 中，没有点的 pillar 则视为空 pillar。
假设样本中包含的非空 pillar 数量为 P，同时限制每个 pillar 中的点的最大数量为 N，如果一个 pillar 中点的数量不及 N，则用 0 补全，若超过 N，则从 pillar 内的点中采样出 N 个点来。并对 pillar 中的每个点进行编码，其中每个点的表示会包括点的坐标，反射强度，pillar 的几何中心，点与 pillar 几何中心的相对位置，将每个点的表示的长度记为 D。这样我们的一个点云样本就可以用一个（P，N，D）的张量来表示。
得到点云的 pillar 表示的张量后，我们对其进行处理提取特征，通过使用简化版的 PointNet 中的 SA 模块来处理每个 pillar。即先对每个 pillar 中的点使用多层 MLP 来使得每个点的维度从 D 变成 C，这样张量变成了（P，N，C），然后对每个 pillar 中的点使用 Max Pooling，得到每个 pillar 的特征向量，也使得张量中的 N 的维度消失，得到了（P，C）维度的特征图。
最后将（P，C）的特征根据 pillar 的位置展开成伪图像特征，将 P 展开为（H，W）。这样我们就获得了类似图像的（C，H，W）形式的特征表示。

总结：shape变化，（P，N，D）->（P，N，C）->（P，C）->（C，H，W）

2.2. PFN的输入

PFN有8个输入:

pillar_x：包含Pillar化后的点云x坐标，shape为(1,1,P,100)；
pillar_y：包含Pillar化后的点云y坐标，shape为(1,1,P,100)；
pillar_z：包含Pillar化后的点云z坐标，shape为(1,1,P,100)；
pillar_i：包含Pillar化后的点云强度值，shape为(1,1,P,100)；
num_points：保存每个Pillar包含的实际点云数量，shape为(1,P)；
x_sub_shaped：保存Pillar的中心x坐标，shape为(1,1,P,100)；
y_sub_shaped：保存Pillar的中心y坐标，shape为(1,1,P,100)；
mask：pillar点云掩码，shape为(1,1,P,100)；