🎯 框架定位
MMDetection3D 是 OpenMMLab 生态中专注于3D 目标检测、3D 语义分割、多模态感知的工业级框架，支持点云、单/多视角图像、多传感器融合等输入，广泛适配自动驾驶、机器人导航、工业质检等场景。其模块化设计（Backbone→Neck→Head）与 MMSegmentation 完全对齐，可快速复用 2D 生态的成熟模块。
🔧 一、MMDetection3D 所有核心 Backbone（骨干网络）
Backbone 是 3D 感知的特征提取核心，负责从原始 3D 数据（点云/体素/图像）中提取底层特征，支持三类骨干，所有 Backbone 均可在配置文件中通过 backbone: 字段直接调用，部分支持预训练权重加载。
1. 点云专用 Backbone（3D 特征提取核心）
专为点云稀疏性、无序性设计的骨干，是 3D 感知的基础核心。
| Backbone | MMDetection3D 配置标识 | 核心特点 | 适配场景 |
|---|---|---|---|
| PointNet++ | PointNet2Backbone | 多尺度分组（MSG/SG），融合局部 + 全局特征，点云分割/检测的经典基线 | 3D 语义分割、小目标检测 |
| PVCNN | PVCNNBackbone | 体素化 + 稀疏卷积，高效处理大规模点云，算力 - 精度平衡优秀 | 大场景 3D 检测、自动驾驶 |
| PointPillars | PointPillarsBackbone | 点云柱式编码（Pillarization），将点云转为伪图像，适配 2D CNN 加速推理 | 实时 3D 检测、自动驾驶部署 |
| DGCNN | DGCNNBackbone | 动态图卷积建模点云邻域关联，特征表达能力强于 PointNet++ | 高精度 3D 分割、学术研究 |
| PointTransformer | PointTransformerBackbone | 自注意力机制建模长距离特征关联，精度超传统 CNN，算力稍高 | 高精度 3D 分割、学术研究 |
| PAConv | PAConvBackbone | 位置感知动态图卷积，动态调整邻域关联，分割精度 SOTA | 高精度 3D 分割、工业级验证 |
2. 图像复用 Backbone（多模态融合基础）
直接复用 MMSegmentation 的 2D 骨干，用于多模态检测中的图像特征提取，配置标识与 MMSeg 完全一致。
| Backbone | 配置标识 | 核心特点 | 适配场景 |
|---|---|---|---|
| ResNet | ResNet/ResNetV1c | 残差连接解决梯度消失，V1c 为分割优化版，支持空洞卷积改造 | 多模态检测、图像特征增强 |
| SwinTransformer | SwinTransformer | 窗口自注意力 + 层级融合，全局感受野强，适配 BEV 感知算法 | 多模态 BEV 检测、高精度场景 |
| MobileNetV3 | MobileNetV3 |
