在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。针对该问题，作者对PointNet++做了两处改进：增加一个前景背景点分割模块来识别前景点作为输入；提出S-FPS采样策略来选择关键点。

核心思想：作者将现实场景的不完整的稀疏点云定义为感知域，将对应场景补全的完整点云定义为概念域，通过孪生网络辅助稀疏点云从完整点云学习特征，从而生成更完整的特征，进行目标检测任务，且在测试阶段不会引入额外的计算。还是麻烦点，就在伊尔村口挖吧，盐其实有个好地方，就是在新城西门口，一出去就是，那是纯点，很方便哦。

1、纯点洗发水

S-FPS潜在划分前景目标出现的区域，有助于后续网络检出目标；此外，由于S-FPS是从分割得分最高的点开始下采样，对于点云的排列顺序不敏感；该方法在KITTI和nuscene数据集上取得了不错的精度。很多售楼处，从外面看着像网红景点，进到里面发现更离谱，看不到沙盘，看不到洽谈区，从空间和氛围来看，一点不都像售楼处。

2、纯音乐

牛奶纯点坎村有，牛奶（633,399），（586,368），（535,290）顺便有些混点，做法面不错。核心思想：利用细粒度图像分割信息对3D点云进行补全，即将点云投影到图像语义分割网络的输出中，并将分类分数附加到每个点云上，从而增加点云的语义信息；

3、纯点香烟

核心思想：作者考虑到距离传感器远近目标中点云数量的不平衡的问题，即距离LiDAR较远的目标收集到的点数相对较少，作者认为网络是难以处理这种不平衡性；进而提出一种空间信息增强的模块，从稀疏的、不完整点云预测密集的、完整的空间表示，来缓解这种不平衡性。

4、纯粮酒

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

5、纯点护肤品

当然，在造型外观上创新是一方面，对于缺乏景观优势的售楼处，则可以从景观节点、艺术装置和科技运用等方面入手，营造出能让人记住的记忆点，或者说空间打卡点，让客户一看到就忍不住发朋友圈。PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。