Talk is cheap, show me the code!

出发点：通过预训练的方式，可以利用大量无标注数据进一步提升3D检测。

高效3D预训练–降低模型对3D数据依赖的新思路提升基线模型的Capacity1.Capacity模型训到收敛，通过调参没办法提升，但是通过上游提升精度，这样的模型的Capacity理解为提升了2.更快的收敛速度3.更少的数据需求利用好了源域知识，可以做到zero-shot目标域感知源域重建，目标域仿真如果预训练的方式正确，海量数据预训练可以提升模型本身的Capacity达到上游预训练数据增加，会不断提升下游预训练后的任务指标提升。

在代码中mmdetection-2.11.0文件中编译安装，不需要去下载了。2.安装PyTorch 和 torchvision。我的机器是RTX3090，CUDA11.1。5.安装MMDetection3D。先回到BEVFusion主目录。6.编译BEVFusion环境。

BEVFormer包含三个关键设计：1.网格形状的BEV查询（grid-shaped BEV queries）2.空间交叉注意模块（patial cross-attention module）3.时间自注意模块（temporal self-attention modul），

灾难性遗忘，是指在新的数据集上训练模型，会遗忘掉旧数据上学习到的知识，在旧数据上测试会发生很大的掉点

一. 传统查询策略（Query Strategy）二. 在图像分类的应用三. 在目标检测的研究

CVPR2021 | 2D目标检测论文解读1. UP-DETR:——《UP-DETR: Unsupervised Pre-training for Object Detection with Transformers(Oral)》2. OWOD——《Towards Open World Object Detection(Oral)》3. YOLOF——《You Only Look One-level Feature》4. DeFCN——《End-to-End Object Detection with Fu

本文提出一种通用的两阶段旋转目标检测器，具有良好的准确性和效率，表现SOTA！性能优于Mask OBB、SCRDet等网络，代码现已开源！作者单位：西北工业大学

数据扩增一直是竞赛中非常重要的一环，在CVPR 2021论文中有不少的数据扩增方法，本文将对其中通用的论文进行介绍。

涨点神器！RS Loss：新损失函数！可助力现有目标检测和实例分割网络涨点，如应用于Cascade R-CNN、SOLOv2等，优于QFL、AP和Focal Loss等损失，代码刚刚开源！单位：中东技术大学