论文题目：Not All Points Are Equal: Learning Highly Efficient Point-based Detectors
for 3D LiDAR Point Clouds
cvpr 2022
如题目所说，本篇文章认为像pointnet++的sa层来采取下采样点或者像pvrcnn中的基于feature距离的代表点，随着下采样的进行，往往会遗漏一些前景目标，作者做了个实验：
实验发现，随着下采样点的减少，car类别还能基本保持recall不变，但是一些小目标如行人和自行车，下降得就比较厉害。pvrcnn中才用的基于feature距离的fps也仅仅起到了抑制作用。作者认为pointnet++的sa层很大一部分计算量运用在了计算背景点的特征上，这是没有必要的，因为他们对于目标的回归是不重要的。
因此本文提出的基于点的目标检测算法，实际上是基于前景点的目标检测算法，既兼顾了计算效率，又提升了尤其是小目标的检测ap，因为我们可以从前面的实验中看到下采样主要损失的是小目标的recall。老规矩，上图。
文章主要是对于下采样阶段进行了创新。
对于输入的原始点云，首先把他们丢进3个轻量化的sa层，从后面的appendix可以看到这个sa层是异于pointnet++里的sa层的，他只有2个半径。
随后对于进行了一轮下采样后的点输入到instance-aware downsampling，这里主要是对于前面所输出的点进行两层mlp编码，输出每个点的label。分清楚他们是车、行人、自行车还是背景点，随后对于分数高的k个点我们进行采样，然后把他们输入到下一个编码层。训练中我们对于实际上的gt点进行onehot编码，方便进行训练：
作者认为我们的下采样点还应该尽量选择靠近物体中心的：
于是便提出了基于中心的下采样：
第二部分作者则对于前面采样好的点进行vote。vote的loss函数作者进行了修改：
最后类似pointnet++作者进行k聚类，输出k个proposals，最后进行3dnms处理。
kitti数据集上很耀眼的是对于小目标的检测效果。
我的思考：
文章主要的贡献在于对于前景点的提取，我们从实验结果中看到，传统的fps确实对于小目标是不友好的。他们ap的drop确实是因为在下采样中被滤去了。
