range view是仅针对物理旋转式扫描的激光雷达的特殊view，例如velodyne64线，128线都是。具体，旋转式扫描的激光雷达都是在水平方向进行旋转，竖直方向为固定个数的激光传感器，传感器的个数是和激光雷达线数是一样的。这样的扫描方式，使得该类型的激光雷达扫描出来的坐标系实际是一个柱坐标系，在水平和竖直方向都是有固定角分辨率的。用水平和竖直方向的角度信息，可以准确的检索到点云中的每一个点。所以整个点云可以用水平和竖直方向的角度来稠密表示，从而形成range view的表示方法。

range view在3D语义分割上用的比较成熟，例如RangeNet，但在3D目标检测上面，和主流的在BEV下左检测的网络，效果差距比较大。今年，新出来几篇在使用range view上做检测的文章。

先说结论：直接在range view上使用Conv2D提取特征有限，无法满足3D Object Detection。

BEV or Range View

	BEV	Range View
是否需要栅格化	需要	不需要

BEV：

• 优点：物体尺寸变化不大，物体之间没有遮挡，相对位置关系为3维空间
• 缺点：需要进行栅格化，信息稀疏

Range view：

• 优点：不需要栅格化，信息稠密
• 缺点：物体近大远小，物体之间遮挡

---

RangeDet: In Defense of Range View for LiDAR-based 3D Object Detection

出自图森

文中认为，range view效果不行的因素有三个：

• range view中物体尺寸变化大
• range view中的卷积是在2D pixel coord，而物体检测要在3D space，这两者之间有差距
• range view中提取的特征更紧密，但如何有效利用这种特征，其他range view的方法并没有考虑

针对上述三个因素，本文提出了相对应的3个改进

Range Conditioned Pyramid In

近大远小的问题，更通用的一种问题就是物体scale大小不同，在主流的2D目标检测网络上，使用的FPN的结构，对scale大小不同的物体做分治策略的检测。那这种分治的策略，将不同物体放置在不同层级的特征图上的方法是根据IoU的。本文提出，按照range来放置，将0-80m的距离分为[0, 15), [15, 30), [30, 80]三个区间，每个区间中的物体用一个特征图来检测。

Meta-Kernel Convolution

作者认为，传统的2D conv中的卷积核的权重是在整feature map上共享的，这样不好。我认为这种理解就是，近处3x3的卷积核覆盖的范围和远处3x3的卷积核覆盖的范围完全不同，使用同样的权重，不太妥当。所以本文提出，将卷积核的权重变得可变起来。

具体而言，对于特征图中的一个点$p_i$，要提取他的特征，分为以下几步：

• 根据特征图位置，找到其邻域，其实就是3x3的邻域，并找到其中的点$p_j$
• 根据$p_i$和$p_j$的位置关系，使用MLP计算权重$w_j$
• 权重$w_j$和$p_j$的特征做点乘，得到$O_j$
• 对3x3的邻域内（包括自己）的9个点均做上述操作，可以得到9个特征。原本的conv2d是采用相加的形式，这里采用concat然后送入MLP中，得到$p_i$卷积后的特征。

读者可以具体对比一下RS-CNN中的RS-Conv，这不就是一模一样的嘛。无非就是邻域的选取有不一样。

Weighted Non-Maximum Suppression

每个pixel都会预测一个box，而一个真实物体可以被很多pixel预测，那么这么多box，用NMS不太好，会浪费这种稠密的信息，不如就用加权平均的方式。

我的理解是，因为BEV中物体偏小，不占几个像素，而range view中物体就还挺大，所以可以用这种方法。

Data Augmentation in Range View Data

range view中不好做data augmentation，尤其是copy&paste这种数据增广，还有点难的。

Experiment

可以具体分析一下：

• Meta-Kernel带来的提升，可能说明conv2d不适合在range view上提取几何特征
• RCP带来的提升如此之大，让我觉得A1到底有没有用FPN啊，这个文章中我也没找到A1的具体定义

其他结论，可以看看文中具体所述

---

To the Point: Efficient 3D Object Detection in the Range Image with Graph Convolution Kernels

waymo团队做的，2021CVPR

思路与上一篇很类似，只不过是提出了多个kernel。这里就不全部介绍kernel了，只是讲个大概思路

Kernels

原文中写道：
“Therefore, it cannot reason about the underlying geometric pattern of the neighborhood. Next, we will present four kernels that can leverage this geometric pattern.”

Range-quantized (RQ) 2D convolution kernel

kenel的定义如下：

其中，[m,n]是卷积核中心的位置，[m’,n’]是[m,n]领域内的其他位置。

权重Wr的取值是根据邻域内深度差来决定的，中心思想就是深度差不同，要用不同的卷积核。原来的每个Conv2D变成了一组权重，每次都根据深度差进行选择。

PoitnNet kernel

定义如下：

其中，$\gamma$是用来计算[m,n]和[m’,n’]具体3D位置的函数，具体如下：

EdgeConv kernel

具体定义如下：

可以看到，EdgeConv kernel也是point-based的一种，很熟悉

Experiment

上图是在waymo open dataset中的vehicle的检测效果。可以看到，其实效果也一般，也就跟Pillar-based[27]差不多。在文中，放出来的Pedestrian中效果比较好，原文解释如下：
a) pedestrians are tall so that the perspective view captures its full shape, b) they are also thin so that the voxels in the voxel-based methods end up too large and there- fore cannot accurately make predictions.

RangeRCNN: Towards Fast and Accurate 3D Object Detection with Range Image Representation

海康出品

Network

网络结构图如下：
从网络结构图中可以看到，本文的特征提取就是在Range view上的，用的就是Conv2D，然后转到了Bird Eye View中，做检测。投到BEV的时候用mean pooling。

Experiment

效果不错，与PVRCNN相当。

结论

1、从RangeDet和To the Point两篇论文来看：在range view中直接做3D目标检测，需要在kernel级别来从xyz维度上提取特征，仅使用Conv2D在depth上提取特征不够充分。

2、从RangeRCNN来看：结论不明显

• 因为在BEV上也做了特征提取，用了3个Conv block，不清楚到底这3个block起到多少的作用，可以做个ablation study，将BEV上的卷积去掉，直接使用pooling之后的特征做检测，看看效果。
• 最终用来做检测的feature map中grid的大小为0.32m*0.32m，特征图的分辨率大，并且没有给出在小目标pedestrian上的结果，并不能说明range view上提取特征不损失信息的好处（因为我理解是voxel在pedestrian的损失是要大于car的，To the Point中的实验部分说明了这个问题）。