《BEVSegFormer：Bird’s Eye View Semantic Segmentation From Arbitrary Camera Rigs》论文笔记

参考代码：None

1. 概述

介绍：这篇文章构建bev特征是将bev grid作为query通过transformer完成的，同样为了减少计算量也使用了deformable attention操作。不过有一点是跟别的方法不一样的，那就是这篇文章的方法完全没有使用任何相机标定信息，全是通过数据驱动参数学习的形式，但是这样带来的问题是收敛速度会比较慢一点。此外，对于CNN网络部分使用self-deformable attention实现特征优化，以生成表达能力更好的bev特征。

下图展示的是bev query如何映射到图像特征的：

在之前的一些方法中是通过相机内外参数实现bev grid与图像特征图上reference point的映射，而这篇文章则使用的是全连接学习的形式，带来的好处是无需相机内外参数，这样可以避免对相机参数的依赖和相机参数偏移性能下降。带来的负面影响便是对数据更加依赖并且训练时长增加。

文章方法收敛曲线：

2. 方法设计

2.1 pipeline

文章方法的pipeline见下图所示：