这里时间比较有限，优先看Sparse4Dv3方法里面相对以前改动的地方。

0.参考

代码v1/v2/v3:https://github.com/HorizonRobotics/Sparse4D

跑起来：https://github.com/HorizonRobotics/Sparse4D/blob/v3.0/docs/quick_start.md

1.方法

（1）时序实例去噪（3D）

代码解析：在head的InstanceBank模块中，两组kmeans提前初始化好的均匀分布锚点：nuscenes_kmeans900.npy，然后另外一组锚点，通过SparseBox3DKeyPointsGenerator模块进行forward噪声生成，然后通过二分图匹配（在哪？）。通过时间差，补偿锚点的中心点、尺寸、yaw、速度等。

（2）质量估计 (Quality Estimation)

代码解析：下面三张图，由配置文件，可以知道是用到了质量估计这个模块的。

代码解析：下面三张图，由配置文件，可以知道中心点的使用的交叉熵损失函数，而yaw角度的优化，使用的高斯focal loss损失函数进行优化。看起来跟论文中的是正好反过来的！！！

（3）解耦注意力 (Decoupled Attention)

将锚点独立的高维特征编码 (independently conduct high-dimensional feature encoding)，随后将它们拼接 (concatenate) 起来。将与原始 Sparse4D 相比，这种方法带来了更低的计算量和参数开销 (lower computational and parameter overhead)。然后E 和 F 分别代表锚点嵌入 (anchor embedding) 和实例特征 (instance feature)也拼接起来。

代码解析：我们可以看到将a这个独立高维特征编码后进行add或者concatenate操作，其中是进行add还是cat操作通过self.mode这个参数进行配置的。head中anchor_encoder中type=“SparseBox3DEncoder”对应 mode=“cat”。

（4）扩展到追踪 (Extend to Tracking)

代码解析：Sparse4DHead中forward，通过调用instance_back.get返回instance_feature与anchor  作为R；

代码解析：Sparse4DHead中forward，通过调用instance_back.cache，将topk的instance_feature存在cache中；

代码解析：Sparse4DHead中forward，通过调用instance_back.get_instance_id，如果id为空或置信度>threshold，给赋新的id（self.pred_id基础上+i）；

2.结果

v3增加了track的任务，帧率上降低并不多。mAP提升了2.5个点，对于IDS可能还需要做一些优化。