视觉感知——【Transformer】BEVFormer: Learning BEV Representation from Multi-Camera Images

论文链接：BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers（内附官方中文版）
提取码：z3un
源码：https://github.com/zhiqi-li/BEVFormer

文章侧重点

BEVFormer应用 Transformer 和时态结构，通过预定的网格状 BEV 查询向量从多摄像头输入中生成鸟瞰图 (BEV) 特征（图像特征转换为 BEV 特征）。

网络架构

1. 采用两种backbone网络——ResNet101-DCN+VoVnet-99获取6个相机视角下的图像特征。 F t = F t i i = 1