[目标检测 | Point Cloud RoI Pooling](#目标检测 | Point Cloud RoI Pooling)
- [Point Cloud RoI Pooling 概述](#Point Cloud RoI Pooling 概述)
- Pooling
- [RoI Pooling](#RoI Pooling)
- [Point Cloud RoI Pooling](#Point Cloud RoI Pooling)
- [Point Cloud RoI Pooling 实现细节](#Point Cloud RoI Pooling 实现细节)

目标检测 | Point Cloud RoI Pooling

Point Cloud RoI Pooling 概述

Points Cloud RoI Pooling（点云RoI池化） 是3d点云目标检测中一个相对重要的机制，RoI Pooling Layer是two-stage detector（二阶段检测网络）中最为核心的模块之一，使其与one-stage detector（一阶段检测网络）区别。据调研，其最早出自于Shaoshuai Shi等人的文章PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud ，在文章中被称为Point cloud region pooling（点云区域池化）。

Point Cloud RoI Pooling机制顾名思义，是为了处理点云而在RoI Pooling基础上进行改进得到的，与RoI Pooling的目的和原理基本一致。

Pooling

首先，我们先从深度学习中，最基础且最熟悉不过的Pooling说起。Pooling最早是使用在LeNet，其用于减少特征图的尺寸并提取最显著的特征，从而降低模型复杂性并减少计算量，有助于防止过拟合，相对于是一个对特征subsampling的过程。

一般常用的有Max Pooling和Average Pooling，在某些做global descriptor的网络中还会使用Global Pooling

Max Pooling（最大池化）：对每个池化窗口内的特征取最大值作为该区域的代表特征。
Average Pooling（平均池化）：对每个池化窗口内的特征取平均值作为该区域的代表特征。
Global Pooling（全局池化）：将整个特征图进行池化，通常是全局平均池化或全局最大池化，将整个特征图降为一个单一的值或向量。

就以Max Pooling为例，其实现是通过滑动固定大小的\(N\times N\)窗口（图中是\(2\times 2\)）在特征图上移动，对每个窗口内的特征进行汇总或提取，产生一个新的特征图。这个过程可以减小特征图的尺寸，保留最重要的特征信息，并减少参数数量和计算量。

此外如果是Average Pooling，还可以看作是卷积核为\(N\times N\)的全\(1\)矩阵，\(\text{stride}=N\)的卷积操作。

RoI Pooling

RoI Pooling 最早出现Ross Girshick等人的文章Fast R-CNN。这篇文章提出了一种称为Fast R-CNN的目标检测方法，其中RoI Pooling被用于从卷积特征图中提取固定大小的特征表示，以用于后续的分类和边界框回归任务。

RoI Pooling机制的引入，使得网络可以将不同尺寸的RoI映射到固定大小的特征图上，这样就可以通过一个固定维度的全连接层处理所有的RoI了。

我们首先回顾一下two-stage detector的结构，如下图所示，其一共可以被分为三个部分：

Backbone Network (骨干网络)

Backbone Network负责从原始输入图像中提取特征。通常是一系列的卷积层、池化层和其他操作的堆叠，用于捕获图像的低级到高级特征。

其输出一般为比原始图像要小且通道数更高的\(B\times C^\prime\times W^\prime\times H^\prime\)矩阵
Region Proposal Network（RPN，区域建议网络）

RPN 是用于提出RoI（Region of Interest，感兴趣区域）的神经网络组件。它在骨干网络的基础上，通过滑动窗口或锚框技术，生成可能包含物体的RoI。

其输出一般为\(B\times N \times 4\)的矩阵，每一个RoI由\((x,y,w,h)\)的四维向量所表示，\((x,y)\)表示该RoI的中心点坐标，\((w,h)\)表示该RoI的长与宽，共有\(N\)个。
Classification Head（分类头）与Regression Head（回归头）

Classification Head用于对候选框内的目标物体进行分类，而Regression Head用于对候选框进行细化。Classification Head和Regression Head一般都是由固定大小的全连接层组成，通过RoI提取特征之后输入其中得到最终的目标检测结果。

如果我们关注RPN与Classification Head之间的连接，我们就会发现一个问题：得到的每一张RoI区域形状不一（长与宽不是固定的），那么其中包含的feature也将不是固定维度的，无法输入固定大小的Classification Head进行处理。

为此，我们需要通过一种机制将所有不同的\(W^\prime\times H^\prime\)的特征图处理为固定长度为\(M\)的特征，这就是RoI Pooling机制在发挥的作用了。

RoI Pooling任意的大小为\(C\times W^\prime \times H^\prime\)的RoI特征映射为固定大小为\(M=C\times W^{\prime\prime} \times H^{\prime\prime}\)的RoI特征，其中RoI Pooling可以被分为三步。

对齐RoI区域
划分RoI区域
池化RoI区域

下图简单地描述了RoI Max-pooling中的三个步骤

此外，还有一种称为RoI Align的机制是在RoI Pooling的基础上通过爽线性插值进行池化，因为与本随笔主题关系不大就不在此赘述了。

Point Cloud RoI Pooling

Point Cloud RoI Pooling 顾名思义，是点云3d目标检测版本的RoI Pooling，据调研，最早见于Shaoshuai Shi等人的文章PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud ，在文章中被称为Point cloud region pooling（点云区域池化）。

点云的RoI Pooling相比于RGB图像的RoI Pooling发生了如下的改变：

RoI和目标框由2d变为3d，这就意味着其参数由四维的\((x,y,w,h)\)上升为七维的\((x,y,z,l,w,h,\theta)\)，其中\(\theta\)是目标框的yaw（偏航角）。虽然是3d目标检测，但是一般来说很少会有超过两个自由度的任务，所以使用一个七个参数就足以表示了。
RGB图像是有序的点阵图，可以直接通过坐标查询，而点云的结构化程度低，无法直接通过坐标查询。其中点云是通过大小为\(B\times N\times(3+C)\)的矩阵进行表示，\(N\)是点云数量，\(3+C\)表示每个点云的特征（\(x,y,z\)坐标以及提取特征）。

同样的，给定采样数量\(S^\prime\)，Point Cloud RoI Pooling也可以被划分为以下几个步骤：

pts assign ，计算出每个点所属的RoI区域，输出大小为\(B\times M \times N\)的布尔矩阵pts assign ，如果第\(B\)个batch中第\(M\)个点处于第\(N\)个RoI，那么\([B][M][N]=\textbf{true}\)，反之\([B][M][N]=\textbf{false}\)。
pts pool ，通过第一步得到的布尔矩阵pts assign，计算出每个RoI区域中所拥有的点，并通过随机采样的方式将点的数量由\(S\)对齐为固定大小的\(S^\prime\)，输出大小为\(B\times M \times S^\prime\)的index矩阵pts pool，其中每个元素都是点在点云中的index。
feature forward ,，将从第二步得到的大小为\(B\times M \times S^\prime\)的index矩阵pts pool映射成大小为\(B\times M \times S^\prime \times (3+C)\)的pooled feature（池化特征）

最后我们所得到固定大小为\(B\times M \times S^\prime \times (3+C)\)的池化特征，输入到分类头中，其输入大小为\(I=S^\prime \times (3+C)\)，这样就完成了Point cloud pooling的操作。

Point Cloud RoI Pooling 实现细节

（未完待续）