frustumpointnetsfor3Dobjectdetectionfromrgb-d data1 .背景3D的应用和逐渐拓展，但迄今为止的许多工作都是通过将3D瓶转换为2D数据，或将3d数据转换为体素
可以参考前面的2D作业，通过检测框的运动来检测对象物体的位置。 然而，在3D数据中，基于这种检测框的移动检测的计算量很大。 因此，利用成熟的2D检测技术，用2D检测器检测物体的位置被投影，进行投影后的分割和目标检测。
2 .模型介绍模型主要分为frustum proposal、3d实例分段和3d a模型边界盒优化三个部分。
首先，利用2D CNN物体探测器提出2D区域，并对其内容进行分类。 然后，通过投影矩阵将2D区域提升到3D。 给出平坦截面中的点云(n n n (时间cnc，具有n n个点和x x个通道的xyzXYZ，各点的强度等) )，按照与各点的二元分类相同的方式对对象实例进行分段。 轻型回归点网(t-net )通过平移来对齐点，以便重心基于分割的对象点云(时间厘米c )接近中心。 最后进行amodal 3D边框估计。
2.1闪存专业版
使用已知的相机投影矩阵，可以将二维边界框提升到平面截面，并将提升的平面截面的点云聚集在一起以形成平面截面的点云。 如上图的Figure 4所示，平断头体可以朝向不同的方向，点云配置的方向对检测的干扰极大。 因此，能够以水平截面体为中心进行归一化处理，使得水平截面体的中心轴线与图像平面正交。
2.2三维实例分段有多种方法，可通过指定二维图像区域和相应的3D平面来获取对象的3D位置。
使用2D直接从深度贴图回归到3D对象的位置。 但是，由于可能存在前面遮蔽物，会严重影响分割的正确性。 由于物体在空间中是自然分离的，用3D分割物体更自然容易。 在三维点云上进行实例分割。 网络将点云用于平坦切片，预测各点的概率得分。 该分数表示该点可能属于感兴趣的对象。 论文规定了各视锥体只包含一个感兴趣的对象。 然后在向量末尾加入热向量编码，补充说明具体架构的细节。
进行3D实例分割后，将其分类为感兴趣的点，然后进行进一步标准化以提高算法的平移不变性。 此过程不缩放点云。 点云边界球体的某些大小受视点的影响较大，而实际点云大小有助于估计帧大小。 2.3 damodalboundingboxestimation
得到分割的对象点后，利用PiontNet和变换网络估计3D对象的边界框。 预测的数据为中心(c x、c y、c z c_x、c_y、c_z cx、c y、cz )、尺寸(h、w、l h、w、l ) )和航向角() theta )。
首先，为了使预测的中心成为原点，使用T-Net进行3D重心中心化。 对于箱子的大小和航向角度，使用分类和回归式的混合。 其次，在Box Estimation中输出的最终的bounding box的维度为3 4xNS 2xNH。 其中3表示中心点的残差回归，T-Net回归之后的NS表示不同size的archor的个数，每个archor有4个维度； NH表示不同方向的archor，每个archor都有两个参数：可靠度和方向角。
2.4丢失函数由三个网络组成。
本文主要采用新的角度，从2D层面分析3D，先用成熟的2D进行目标对象定位，再用平截头体进行3D点云点数据的采集，最后通过PoinNet网络进行目标对象的语义分割和目标检测。