文章目录
香港中文大学，香港科技大学出品，贾佳亚团队
2020CVPR
3DSSD
F-FPS
这是我认为本文最重要的一个贡献，该贡献解决了前景点采样点（representative points）少的问题。解决方式也很巧妙，在FPS的过程中，除了使用点与点之间的距离，还加入了feature与feature的距离。该方式的加入使得采样点中前景点的数量更多了。具体效果也在Table 2中做了比较。
值得注意的一点是，作者并没有完全使用F-FPS，而是使用了D-FPS与F-FPS的结合，两者均取一些点，然后将两者采样的点合起来。这样做是为了在训练过程中引入足够的负样本。
Framework
如果读过VoteNet这篇论文，可以发现CG Layer与VoteNet中的很像。VoteNet的详细解读可以参考我的另外两篇博客[1][2]。
Loss中也是与VoteNet很像，新的部分是使用了center-ness score，center-ness score文中说是参考了2D Object Detection中FCOS。如果看FCOS，可以看到这个的center-ness score与FCOS中的确实很像，只不过是由2维度变成了3维。
Experiment
在KITTI和nuScenes数据集上都做了实验，效果还不错
Ablation Study分别验证了
- F-FPS与D-FPS结合的有效性
- CG Layer的有效性
- Center-ness score的有效性
- 计算时间上的优势
问题：
1、由于还是FPS，尽管加入了feature空间，还是相当于对（位置+feature）空间内全体的采样，也就是说在预测时，还有很多背景点。
2、Figure. 3没有详细解释，通道数对不上啊。例如左图，第一次下采样过后的点的feature的通道数不应该是（64+128+128）吗？