论文地址：https://arxiv.org/pdf/2203.11139.pdf

开源代码：https://github.com/yifanzhang713/IA-SSD

论文针对三维激光雷达点云的有效目标检测问题开展了研究，为了减少内存和计算成本，现有的基于point的pipeline通常采用任务无关随机采样或最远点采样来逐步向下采样输入pointset，然而并非所有点对目标检测任务都同等重要。对于detector来说，前景点本质上比背景点更重要。基于此，论文提出了一种高效的单级基于point的3D目标检测器，称为IA-SSD。

IA-SSD利用两种可学习的，面向任务、实例感知的下采样策略来分层选择属于感兴趣对象的前景点。此外，还引入了上下文质心感知模块，以进一步估计精确的实例中心。最后，为了提高效率，论文按照纯编码器架构构建了IA-SSD。在多个大规模检测benckmark上进行的实验证明了IA-SSD的优势。由于低内存占用和高度并行性，在KITTI数据集上单个RTX2080Ti GPU实现了每秒80多帧的速度。

由于复杂的几何结构和不均匀的密度，激光雷达点云中的三维物体检测任务（即预测7自由度的三维box框，包括三维位置、三维尺寸、方向和类别标签）仍然极具挑战性。由于三维点云的非结构化和无序性质，早期的工作通常首先将原始点云转换为中间规则表示，包括将三维点云投影到鸟瞰视图或正面视图的二维图像，或转换为密集的三维体素。然后，可以2D检测范式网络部署到3D目标检测任务中，尽管最近取得了显著进展，但由于3D-2D投影或体素化引入了量化误差，不可避免地限制了现有方法的性能。另一种技术流遵循基于点的pipeline，直接对原始点云进行操作，通常直接学习逐点特征，然后通过特定的对称函数进行聚合，如max-pooling。

虽然这些方法很不错，并且没有任何显式信息丢失，但仍然存在昂贵的计算/内存成本和有限的检测性能。