代码：
https://github.com/mit-han-lab/flatformer
论文：
https://arxiv.org/abs/2301.08739
[FlatFormer.pdf]
Flatformer是对点云检测中的 backbone3d部分的改进工作，主要在探究怎么高效的对点云应用transformer
具体的工作如下：
一个缩写：**PCTs 即point cloud transformers**
首先作者分析了点云transformer速度慢的原因（第三章）：
最简单粗暴的是全局PCTs, 即对点云使用transformer的方式就是将每个点作为一个token，然后对一个pcd中所有点做multihead attention
比如一个pcd有10万个点，那就是10万个点做multihead attention计算，会很慢，复杂度为O(N2D)，N是点数，D是每个点的特征通道数。作者分析了下，当点数到32k时，在NVIDIA A6000 GPU耗时就达到了1s，可见有多慢：
然后，为了降低耗时，有人提出了局部PCTs, 即对全局一共N个点，每个点都选择它附近的K个点做multihead attention计算，复杂度就变成了O(NK2*D)，N是点数，D是每个点的特征通道数，K是一个点附近点点数。然而，局部PCTs在邻居点准备方面存在显著的开销。由于点云的稀疏性和不规则性，涉及两个主要步骤：
- 找到每个点的邻居。
- 将数据从N×D格式重构为应用MHSA所需的N×K×D格式。
这些步骤很慢，需要大量时间。例如，在VoTr模型中，为Waymo上的单个场景准备邻居的步骤需要22毫秒（即总运行时间的36％），这已经比整个CenterPoint模型更慢。对于Point Transformer（PT）模型，准备邻居的成本可能占运行时间的高达70％。局部PCTs的单个层中的此开销可能超过CenterPoint模型的总运行时间。
然后又有人提出了窗口PCTs，
SST（Swin Transformer in Point Cloud）是一种基于窗口的点云变换器，受到了Swin Transformers在各种视觉识别任务中取得的巨大成功的启发。其中，SST是代表性的工作之一。它首先将点云投影到鸟瞰空间（bird’s-eye-view, BEV），然后将BEV空间分割为形状相同且不重叠的窗口，并在每个窗口内应用MHSA（multihead attention）。与Swin Transformer类似，SST使用窗口移动来实现窗口之间的信息交换。
与图像不同，点云在空间中是稀疏且非均匀分布的。因此，每个窗口中的点数不同，并且可以相差两个数量级。由于普通的MHSA核心无法有效支持可变序列长度，SST将大小相似的窗口分批处理，并在每批中将所有窗口填充到批中的最大组大小（即填充到相同的长度）。然后，它单独在每个批次中应用MHSA。在实践中，这种填充引入了Waymo上1.7倍的计算开销。更糟糕的是，将点分配到相等的窗口还引入了显著的延迟开销：在Waymo上，每个场景需要18毫秒，甚至比CenterPoint模型的总运行时间还要慢。综上所述，填充和分区的开销使得SST不太适合硬件。
最后，作者基于上面这些问题，提出了自己模型（第四章）： Flatformer
作者的核心工作可以用下面这个图来展现：
FlatFormer的基本构建块是Flattened Window Attention（FWA）。
我们只要看上面这个图的右半部分就行了，左半部分是作者用来做对对比的不好的方案
如图5r所示，FWA采用基于窗口的排序来展平点云，并将其分割为等大小的组，而不是等形状的窗口。这自然解决了组大小不平衡的问题，并避免了填充和分区的开销。
FWA然后在组内应用自注意力来提取局部特征，交替排序轴以聚合来自不同方向的特征，并移动窗口以在组之间交换特征。最后，作者提供了FWA的一个实现，进一步提高了其效率并减少了开销。
