1、centernet object as points
这篇文章的核心单目3d检测主要是利用中心点直接回归出3d模型的所有属性，head共享整个backbone，其中3d属性包括：2d目标中心点、2dw和h、2d offsets、3doffsets、3d dimmession、rot还有depth。
其中对应的depth是根据kitti中的外参矩阵来进行计算得到的，同时推理的也是全局角度，如下所示：
KITTI 数据集 参数—— tracking devkit中的rotation_y和alpha角_hacker_G的博客-CSDN博客_kitti数据集参数这篇文章详细的地解释了kitti的角度参数的计算和使用，后续可以从自己的pad上面将对应的理解进行补齐。depth参数我记得没记错的用的是相机坐标系的z坐标直接进行gt然后回归。注意centernet用的是sigmod的一个函数计算来作为回归方式。
最难以理解的其实是角度的回归方式，实际方法是先将角度按照左右手坐标系分为正负角，然后将【-180， 180】划分为4个bin，然后将同时回归出4个bin的中心角的差值，具体的向量是[0,0,0,0,delta, delta, delta, delta]，即先softmax是认为哪个bin里面，然后在计算这个角度中心值的差值，这样当然如果bin值越仔细则回归的回归越准确。计算损失函数则也是计算softmax和回归的cos值损失。
这是第一篇以点回归3d的目标的paper，缺点也很明显，①3d detection使用的是2d center ②角度回归依旧不准确
2、SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation。
paper：https://arxiv.org/pdf/2002.10111.pdf
参考文章：单目3d检测-smoke解析 - 知乎
核心思想：
干掉centernet中的2d模块，认为2d模块是与3d模块会有抑制作用的，因此只保留了3d模块，然后基于3d centerpoint直接回归其他的3d属性，然后基于解耦的loss来进行训练，得到3d的结果
然后学习的目标也是用8维的delta来预测减小学习的难度，最终目标是（x,y,z,l,w,h,θ），预测目标是
前面的delta_z是距离即depth的偏移量，从数据集中统计出平均值，
smoke的角度可以在后续的推导中慢慢再理清，此处不细说了。
loss：
直接计算Lcls+3个尺寸的回归loss
知乎的这篇文章写的很好，建议参考。
3、monodle：Delving into Localization Errors for Monocular 3D Object Detection
核心思想：1、2d与3d的center point确实存在不可忽略的差异，应该使用3d的投影点；2、现有的技术远处的gt估计不准，丢掉太远的目标。3、提出一个whl优化的3d iou loss，使其不受定位精度的影响。
idea来源：通过使用gt来逐步替换预测值，用来判断到底是哪个模块存在问题：
1、使用gt替换location（xyz）后，性能直接逼近lidar，因此发现location是影响单目3d的主要因素
2、使用gt替换depth，性能与gt替换location相差接近40，