Complex-YOLO，论文中介绍是一种仅在点云上进行的最先进的实时3D目标检测网络。借鉴了yolo v2的主干网络，扩展了最后的回归策略，提出了Euler-RegionProposal Network (E-RPN)增加了角度的回归，最后通过实验证明了算法的有效。
论文：Complex-YOLO
具体的算法分析如下：
从图中可以看出，主要分为三个过程：
首先由激光扫描仪产生3D点云的POI有效区域设置为正前方80*40。将单帧三维点云转化为鸟瞰RGB-map，这里的RGB图不同于图片的RGB色系，是由点云高度信息、点云强度信息、点云密度信息编码所得，编码方式如下：
z
g
z_{g}
zg表示最大高度，
z
b
z_{b}
zb表示最大强度，
z
r
z_{r}
zr表示网络内归一化的密度。
S
j
S_{j}
Sj表示每个点云映射函数，
P
Ω
i
P_{\Omega_{i} }
PΩi表示ROI范围内的所有点集，N是从
P
Ω
i
P_{\Omega_{i} }
PΩi映射到
S
j
S_{j}
Sj的点数。
鸟瞰图作为输入，再使用简化的yolo v2的CNN架构，通过复杂的角度回归和 E-RPN 进行扩展，以检测准确的面向多类的 3D 对象，同时仍然实时运行。
最后的 E-RPN 解析了目标的位置、大小、类别和朝向角，与yolo v2相比增加了角度。
在这种扩展的帮助下，E-RPN基于直接嵌入生成网络中的虚分数和实分数来估计精确的目标方向。
目标的朝向角
ϕ
\phi
ϕ可以通过相应的回归参数
t
I
m
t_{Im}
tIm和
t
R
e
t_{Re}
tRe计算得出，他们对应于复数的相位，角度只需使用
arctan
2
(
t
I
m
,
t
R
e
)
\arctan_{2}(t_{Im},t_{Re})
arctan2(tIm,tRe)即可求出。
采用复数的主要原因是：
论文上的总损失函数为：
L
=
L
Y
o
l
o
+
L
E
u
l
e
r
L = L _{Yolo} + L _{Euler}
L=LYolo+LEuler.
L
Y
o
l
o
L _{Yolo}
LYolo是位置信息、尺度信息和类别信息的损失平方和，
L
E
u
l
e
r
L _{Euler}
LEuler如图所示，
λ
c
o
o
r
d
λ_{coord}
λcoord是保证早期阶段稳定收敛的尺度因子，
1
i
j
o
b
j
1^{obj}_{ij}
1ijobj表示单元i中的第j个预测框在联合(IoU)上具有最高的交集。
参考：
YOLO系列专题——Complex-YOLO
Complex-YOLO，可实现点云上的实时 3D 目标检测
Complex-YOLO
