• 文章提出了一种基于GNN与毫米波数据的3D目标检测方法，算法流程如上图所示，符合基本的GNN流程

论文地址：https://ieeexplore.ieee.org/document/9455172
关于GNN的一些基本文章，可以参看以下链接：

1. 从CNN到GNN：https://zhuanlan.zhihu.com/p/463666907
2. GNN入门代码案例：基于分子结构预测物质可溶性https://zhuanlan.zhihu.com/p/504978470

论文摘要

在传统的Lidar检测领域，检测方法的范式已经趋向成熟，如今的GNN兴起打开了一扇新的大门，对于毫米波数据，由于其局部的关联性强，带有明确的空间位置关系，并且数据稀疏，作者提出了一种基于GNN的毫米波雷达检测方法。
主要的创新点就是：

1. 首次实现了GNN在Radar上的实现
2. 在nuscenes的radar detection task榜单实现sota结果

实现细节

如上图所示，作者将模型分为三个阶段，分别是：雷达原始特征到高维向量(non-contexual embeddings)的映射，图生成(generate contexual-embeddings)，预测(decoder)，下面分别介绍：

预处理阶段，完成原始特征映射

1. 基本定义

其中，引入T=（0,1…N）帧的雷达信息增加点云密度，${\sigma }_i$为雷达点云的RCS（可以认为点云投射目标的反射强度），$u_i$代表点云在统一坐标系的坐标(x,y)，deg($v_i$)代表点云所连接的边数量（两点距离小于r则认为两点相连，论文中r=1m，如下图所示）。

2. 特征映射

构成：MLP (4, 32, 64, 128, 512)

生成(generate contexual-embeddings)

• 首先， 边的特征通过计算其所连接的两个点和上次的embedding $m_j$
• 其次，节点的特征依次通过：
  • 聚合所有连接的边(max-pool)的特征
  • 结合上次embedding的节点特征
  • 送入映射函数和激活函数
  • 引入残差连接，生成最后的i节点的embedding向量(contexual-embeddings)

至此，节点和边的更新方式已经定义

预测(decoder)

预测内容

其中，$h_{c}lass$代表当前预测类别已经预先定义好的值$Height/2$，也就是每类的预定义高度，${\sigma }_h$为预测的偏移值，同理，对于$\hat{x}$，是每个点的真实值加上月的偏移值。

损失定义

• 类别损失把点云作为base unit进行损失计算

• 回归把预测结果作为损失base unit计算

后处理

由于雷达数据稀疏，其预测结果也较为稀疏，但是很多物体上点云投影较多会造成重复预测，因此作者将$T_{n}ms$设置为0.1，避免重复预测，下面是后处理流程

结果