pointRCNN

이 논문에서는 raw point cloud에서 3d 객체 감지를 위한 pointRcnn을 제안한다. 

전체 프레임 워크는 상향식 3D proposal generation을 위한 1단계와 최종 감지 결과를 얻기 위한 2단계로 구성된다. 

1단계 하위 네트워크는 이전 방법처럼 rgb 이미지 또는 투영 포인트 클라우드에서 bird’s view or voxels에 대한 poroposal을 생성 하는 대신 전체 장면의 포인트 클라우드를 전경 포인트와 배경으로 분할하여 상향식으로 포인트 클라우드에서 소수의 고품질 3d poroposal을 직접 생성한다. 

2단계 하위 네트워크는 정확한 box 정제 및 신뢰 예측을 위해 1단계에서 학습한 각 지점의 global semantic features와 결합된 각 proposal의 pooling된 포인트를 표준 좌표로 변환하여 더 나은 로컬 공간 특징을 학습한다. 

kitti데이터 세트의 3d감지 벤치마크에 대한 광범위한 실험은 제안된 아키텍처가 포인트 클라우드만 입력으로 사용하여 놀라운 마진을 가진 sota 를 능가한다.