本论文是美团在pointpillar算法的基础上的改进。
主要改进点分为一下两个：
1.引入注意力机制对pillar内的特征进行提取，改善直接maxpooling导致的细粒度信息丢失。
2.参考CSPNet和RepVGG构建了一个全新的轻量化backbone。
一、pillar注意力机制特征提取
pillar特征提取这一块，与pointpillars不同，他会保留每个pillar里所有的点(怎么并行计算？)，然后每个点MLP升维，求max得到全局特征，这里和pointpillar都一样，然后他再从点的原始特征出发，MLP得到N*C的矩阵，在N维度求softmax，和之前升维的特征点积，得到注意力机制之后的特征，然后注意力得到的特征与全局特征求和，作为pillar的最终特征。
二、主干网络CRVNet
主干网络采用RepVGG+CSPNet的结构。关于RepVGG的理论后续补上。这里主要讲一下CSPNet的优点。
CSPNet可以获取更丰富的梯度流，同时减少计算量。通过分割梯度流，使梯度流通过不同的网络路径传播。通过切换串联和过渡步骤，传播的梯度信息可以具有较大的相关性差异。此外，CSPNet可以大大减少计算量，并提高推理速度和准确性。
在Neck中，论文采用了PillarNet中的增强neck设计。neck将特征与来自主干的8x和16x特征图融合，以实现不同空间语义特征的有效交互。论文发现，在这种neck设计中，级联操作之前的卷积层的数量显著影响最终性能。因此，论文将FastPillers-s中VGG的四个阶段的块数从（4，6，16，1）更改为（6，16，1，1），将FastPillars-m中ResNet-34的四个级别的块数分别从（3，4，6，3）和（6，6，3，2），同时都删除了第一阶段的第一个2x下采样。
