自动驾驶3D目标检测大行其道的趋势下，2D目标检测还有什么意义？

汽车人最近在准备年终述职，正好整理整理2023年做的事情，恍惚间发现自己已经两年多没碰过2D检测了~想想最开始沉迷于YOLO的优雅与高效，后面一大批二阶段和Transformer相关算法，尤其以DETR为代表。最开始就是惊艳，原来还能这么做！再到后来BEV横空出世，Transformer也开始卷进3D目标检测中，一系列像BEVDet、BEVFormer的代表性算法开始尝试落地，汽车人也就投身这块的量产中去了。

因为自动驾驶天然的需要知道目标的距离，所以BEV感知出来之后，大家很快地就摒弃了以往单目3D检测或者2D检测+后处理测距/测速的方案。BEV感知迅速的成为业界主流。于是汽车人就在思考一个问题，在3D目标检测大行其道的趋势下，2D目标检测还有什么意义？

当然不是所有量产车都可以部署BEV算法，所以低端硬件中以往的2D检测算法仍然有用武之地，但大概率上不了Transformer相关的算法。另一方面，也不是所有的目标都需要距离和速度的信息，比如红绿灯检测这种任务。但从另一方面讲，整个感知模块仍然需要维护两个模型（一个2D和一个3D），这从资源上讲是浪费的。所以从长远来看，汽车人认为2D目标检测在自动驾驶中的地位可能会进一步地下降。

总结来说，2D目标检测在低端算力平台中仍然大有可为，中高端算力平台中的地位ha还有待商榷。但不管怎样，作为算法工程师，这些都是必须要掌握的内容，你可以不用，但你不能不会。

以上内容均出自【自动驾驶之心知识星球】

自动驾驶之心知识星球，创办于2022年7月份，致力于打造为自动驾驶行业中的 ”黄埔军校“，目前近2400人，聚集了近50+自动驾驶行业专家为大家答疑解惑。

星球内已经打磨出近30+的学习路线，涉及BEV感知、动态/静态障碍物检测、多传感器融合、多传感器标定、目标跟踪、模型部署与cuda加速、仿真等方向，沉淀了大量工程上的解决方案、学术上的优化思路！星球主要内容一览：

如何持续保持跟进和输入呢？我的答案是找对圈子，让你每天能够主动和被动接受很多新的知识，包括领域知识体系的梳理、刷题、面试经验、各家企业现状、各个岗位的具体职责以及后续的职业前景等。一个人入门学习，无异于大海捞针，浪费了大把时间踩坑，还得不到想要的答案。哪里有专业回答的规划呢？这里我推荐一个我们一直在维护的社区：自动驾驶之心知识星球，目前是国内最大、最专业的自动驾驶社区。欢迎加入！