MMDetection3D的点云数据一般会经历如下步骤/模块：


下面分别介绍每个部分的一些典型模型。

0.体素化函数
  在介绍体素编码器前，需要先介绍体素化函数，以理解体素编码器的输入参数含义。

0.1 mmcv.ops.voxelize中的Voxelization类
初始化参数：

注：将体素大小z_zise设置为与点云高度范围相同时，就可以实现柱体化操作。

forward函数：

0.2 MVXTwoStageDetector类中的体素化函数voxelize
初始化：初始化mmcv.ops.voxelize中的Voxelization类为self.points_voxel_layer
voxelize函数：

1. 体素编码器（VOXEL_ENCODERS）
1.1 HardSimpleVFE
作用：将体素内的点取平均作为体素特征。通常搭配SparseEncoder中间编码器。
初始化参数：

forward函数：

1.2 PillarFeatureNet
  用于点云的柱体表达编码。通常搭配PointPillarsScatter中间编码器。

初始化参数：

forward函数：

2.2 PointPillarsScatter
  用于点云的柱体表达编码。可搭配PillarFeatureNet体素编码器。

作用：将柱体特征根据柱体坐标和batch_id生成BEV特征图。
初始化参数：

forward函数：与SparseEncoder的forward函数输入和输出含义相同。
3. 主干网络（BACKBONES）
3.1 SECOND
  SECOND主干网络通常搭配SECONDFPN颈部网络。前面可搭配体素操作（如HardSimpleVFE + SparseEncoder）或柱体操作（如PillarFeatureNet + PointPillarsScatter）。

初始化参数：

forward函数：

4. 颈部网络（NECKS）
4.1 SECONDFPN
  SECONDFPN颈部网络通常搭配SECOND主干网络。

初始化参数：

use_conv_for_no_stride=False且upsample_stride=1时，或upsample_stride>1时使用upsample_cfg搭建DeConv卷积，否则（即use_conv_for_no_stride=True且upsample_stride=1，或upsample_stride<1）使用conv_cfg搭建Conv2d卷积
forward函数：

5.检测头（DENSE_HEADS）
检测头模块需要注意两点：
  一是loss函数的计算以及预测结果的生成均是在检测头中实现的方法；
  二是检测头初始化一般都有train_cfg和test_cfg两个参数，但在配置文件中，这两个参数往往需要写到检测器模型（DETECTOR）中而非检测头中。

5.1 CenterHead
  CenterPoint的检测头。可搭配SECOND + SECONDFPN结构使用。
初始化参数：


  train_cfg和test_cfg均为字典格式，这里单独拿出来介绍：

train_cfg包含：

test_cfg包含：

forward函数（训练和测试阶段均会调用）：

loss函数（训练阶段调用）：

get_bboxes函数（测试阶段调用）：