h i i l-CSDN博客

原创 BEVFusion(mit)最强环境安装，部署复现

BEVFusion作为一项经典的工作，值得深入探索。然而由于配置环境比较麻烦，耽误了一些时间。经过几次成功配置之后，有了一些总结，在这里记录下来，供大家参考避坑，也方便自己下次查阅。

2023-06-21 16:57:53 13003 120

原创 BEVFormer --- 来自于Deformable DETR

说到BEVFormer就不得不说到Deformable DETR，因为BEVFormer中的deformable attention来自于Deformable DETR，而说到Deformable DETR就不得不说到DETR，因为Deformable DETR中利用transformer完成图像目标检测的思路来自DETR，所以，这篇博客介绍的顺序是DETR→Deformable DETR→BEVFormer。

2023-05-23 16:49:12 1134 1

原创 BEVFusion（mit）

对于关键词传感器融合&BEV，如果放在一起那确实是挺窄的方向，但凡去掉一个关键词，都是一个热门的大方向。所以今天就犯了一个错误，总觉得怕自己学的不够全面，又想看BEV融合，但同时又不想错过各个领域的好方法，于是还emo了一会。首先利用swin-t提取相机的特征，然后利用lss把图像空间的特征转变为BEV空间下的特征，具体做法是先利用估计得到图像的深度，再根据深度得到投射到空间中的伪点云特征。为了避免特征在转变为BEV时产生的误差导致的融合不准确，利用带有残差的卷积BEV编码器来融合特征，补偿失调。

2023-05-23 09:32:17 690 1

原创 BEV下多传感器融合知识准备

说完了融合需要在BEV下进行的必要性，下面继续讲方法，我们只道，对于本来就是3D的点云数据来说，BEV只是一种更低级的表达方式，简答说只需要忽略Z轴上的信息即可，也就是从上向下看点云。BEV无非是一种视角，以往的算法基本上都集中在前视的感知上，但是当需要的传感器多起来之后，再使用前视便浪费了资源，也不方便融合。以CL为例，即把图像数据和点云数据都投射到BEV视角下在进行融合，这样不仅方便融合，提高了数据的利用率，而且还能方便后续的处理，我们知道后续的可通行区域检测、路径规划等都需要在BEV视角下完成。

2023-05-22 19:33:18 328 1

原创 mmdetection3D系列--(2)数据集准备

mmdetection3d支持很多数据集，比如说kitti，NuScenes，waymo，Lyft，S3DIS、ScanNet 和 SUN RGB-D。这里要根据自己的任务去选择相应的数据集，是作2d/3d检测的，还是作分割的，都是不一样的。但是这些数据由于格式和规则的不同，很可能带来麻烦，所以mmdetection准备了一些脚本，来把下载好的数据转换成训练/测试脚本能识别的格式。从而在该数据集上进行后续的工作。

2023-03-04 11:24:20 1272