前言
要追上一個研究領域的 SOTA（state-of-the-art），最快的方法就是直接去看最新的 paper。但問題是，最新的 paper 往往很難一次看懂，因為裡面常常會有，這個部分我們用到 paper A[1]、那個部分我們用到 paper B[2] 等等，然後就一句話帶過，而沒看過 paper A 跟 paper B 的你，當然就很難理解最新 paper 的細節。為了能通達最新 paper，勢必要往回追，弄懂以前的 paper。
這篇文章就是因此目的而生，盡可能地把要追上 Deep Learning on 3D object detection（這篇主要討論只從 lidar point cloud，得到物體的 3D bounding box）SOTA 的文章整理出來。本著能省時間就省的精神，我只列出比較具代表性的 work（前面也順便附上 paper 的年月份，讓大家比較容易比較時間序），有時候同時期的 work 可能有好幾篇，但可能只要看一篇，就能大概抓到那個時期主要的方法長怎樣（當然還是可能有遺漏，不過歡迎各位讀者自己再去多閱讀，如果你覺得有些文章一定要補，但我沒寫，也歡迎留言補充）。
這篇文章假設你有很多基礎是懂的，例如 CNN、RPN、Batch Normalization 等等，如果你不懂，可以自己再去搜尋一些資源來學習。另外，我下面的分類是用 Lidar + Image 跟 Lidar 來分，所以年份並不是完全從舊到新，而且我覺得根據個人喜好來閱讀也很重要，未必要從舊的看到新的，你在閱讀這些 paper 時，可以自己斟酌閱讀順序，最後有覺得把研究脈絡搞懂就行了。
重點 paper
（2017/04）PointNet & （2017/06）PointNet++
貢獻：
- PointNet 應該算是當時前幾個（或第一個）提出讓 DNN 可以直接吃 pointcloud 這種不規則狀的 data，然後直接做到 3D object classification，雖然無法直接做到 3D object detection，但這篇對後續 3D object detection 的研究影響頗深，於是還是放了進來，應該還是要讀一讀。
- PointNet++ 在 PointNet 的基礎上，添加了 hierarchical feature learning 跟 multi-scale grouping 來抗 scale 的變化。
關於這兩篇 paper 稍微更深入的介紹，可以參考延伸閱讀二。
（2017/11） VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
貢獻：
- 利用創新的 VFE（Voxel Feature Extractor），解決了 hand-crafted feature engineering 的問題，因為 feature 是讓 network 自己去學習，所以 accuracy 進步很多。
- 只使用 lidar data 就超越當時所有 SOTA 在 KITTI dataset 上的表現。
（2018/10）SECOND: Sparsely Embedded Convolutional Detection
貢獻：
- VoxelNet 雖然是在 end-to-end learning 上最早的幾篇 paper 之一，但缺點就是 inference speed 太慢，大約 4.4 Hz（VoxelNet paper 裡有分析 inference 時各 module 花的時間，其他最花時間的就是 3D convolution），在實際自駕車的應用不夠快，所以 SECOND 改進了這點。
- 架構上 SECOND 沿用了 VoxelNet 的 VFE，同樣不需要手動 tune feature，主要改進之處在於把 VoxelNet 的 conv middle layers 改成 sparse conv layers。
- 提出了改進的 GPU-based rule generation algorithm，讓 SECOND 的 sparse conv layer 跑起來比當時已存在的做法快上不少。
（2019/05）PointPillars: Fast Encoders for Object Detection from Point Clouds：
貢獻：
- 這篇的 related work 寫得很棒，會對 3D DL on object detection 的脈絡有清晰的認識。此脈絡為：
- 3D CNN（非常耗時）
- 將 point cloud 投影到 2D plane，或是把 pointcloud voxelize，然後 vertical column encode 成 hand-crafted、fixed-length feature，形成 pseudo image（這類的方法有 MV3D、AVOD、PIXOR、Complex YOLO）
- Full end-to-end learning（不再使用 hand-crafted 的 feature），但仍依賴 3D conv layers（VoxelNet、SECOND）
- 既提出 end-to-end learning 的架構，又只用到 2D conv layers，使得 inference speed 來到 62 Hz。
（2019/07）STD: Sparse-to-Dense 3D Object Detector for Point Cloud：
貢獻：
- 這篇也把研究發展脈絡寫得不錯清楚，放個截圖來展示一下：
- 有別於現存的兩種主流做法 - voxel-based（消耗運算資源少，但會失去一些 local details） 跟 point-based（辨識的表現較佳，但運算慢），提出了 point-based proposal generation 跟 PointsPool layer，綜合了兩種主流做法的優點，既有很好的辨識表現、運算速度又能達到 10 fps 以上。
- 提出的方法在 KITTI dataset 上面有極佳的表現，尤其在 hard 類別中碾壓群雄：
如果你已經把以上的 paper 都看完了，讚喔！雖然有點累，但你即將進到下一個階段！
順帶提一下，上面的很多 paper，未必所有的細節都要覺得很懂，畢竟沒有實作，要說完全懂我是覺得很難，但沒關係，很多細節如果你未來有需要，可以再回來看。這邊的重點是懂這些方法懂到你能理解發展脈絡、了解各 paper 方法的優缺點。
相對新的 SOTA paper
恭喜恭喜！看完上面那些 paper，想必你應該已經對這個領域常用的技巧和演進有些熟悉，這時來看一些最新的 work 就相當有趣啦！
（2020/02）3DSSD: Point-based 3D Single Stage Object Detector
貢獻：
- one-stage
- 比較結果很讚，可以再次驗證我們的 paper 閱讀路徑是否有涵蓋到不同類型的重要 work，裡面講到的 MV3D、AVOD、F-PointNet、AVOD-FPN、STD、Contfuse、VoxelNet、SECOND、PointPillars 我們上面都提到了。
（2020/03）Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
貢獻：
- 是用 GNN 直接對 point cloud 做 3D object detection 的領頭羊，而且結果還能跟其他 SOTA 的方法相提並論。
- 提出的 Point-GNN 也算是一個 end-To-end 的架構，整體來說算是滿好理解的。
- 提出了相對應的 box merging 跟 scoring 方法，而且用 ablation study 驗證其優於一般的 NMS。
- 有提供 source code，所以想要深入細節完全弄懂的人，可以自己去跑跑看、改 code 確保理解。
（2020/06）AFDet: Anchor Free One Stage 3D Object Detection
貢獻：
- 捨棄從 Faster-RCNN、SSD 以來就很常用的 anchor box，採用 heat map，也就省下了 anchor-based methods 需要做的 NMS。
（2020/06）1st Place Solution for Waymo Open Dataset Challenge -- 3D Detection and Domain Adaptation
貢獻：
- 這篇用到很多技巧，雖然不太可能在實際的自駕車上面使用，不過裡面的技巧還是可以當作參考，順便看看自己還有沒有哪些知識是不懂的。
總結
這篇文章集合了 Deep Learning on 3D object detection 的一些 seminal work，總結了他們的特點跟演進過程，有興趣的讀者可以跟隨這條 paper reading path 追上 SOTA， 然後從這邊開始擴展你的知識體系。我推薦大家利用 connectedpapers.com，只要輸入一篇 paper，就能看到相關重要 paper 的視覺化呈現，大推。下面是一個範例：
：錯誤處理_@s103071049_https://static.coderbridge.com/images/covers/default-post-cover-2.jpg)
