BEV感知算法 | BEVDet系列论文解读

最新推荐文章于 2025-04-20 20:08:24 发布
最新推荐文章于 2025-04-20 20:08:24 发布
阅读量2.8k 收藏 42
点赞数 12
分类专栏： 自动驾驶与深度学习 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44613415/article/details/140169108
版权

本文首发于公众号【DeepDriving】，欢迎关注。

BEVDet系列算法是鉴智机器人开源的BEV感知算法，基于LSS提出的方法实现从图像空间到BEV空间的视图变换。本文将对该系列算法的论文加以解读，如果对LSS还不了解的可以看我之前写的这篇文章：

BEV感知算法 | LSS论文与代码详解

1. BEVDet

1.1 网络结构

BEV

了解本专栏 订阅专栏 解锁全文 超级会员免费看
51-21 LSS (Lift,Splat,Shoot) ，实现 BEV 感知的开山之作 论文精读
AIgraphX
01-30 1584
本文提出了一种新的端到端体系结构，该体系结构直接从任意数量的摄像机中提取给定图像数据的场景BEV表示。其核心思想是将每个图像单独“lift”为每个相机的特征视锥体，然后将所有视锥体“splat”成栅格化BEV网格。模型不仅能够学习如何表示图像，而且还能够学习如何将来自所有相机的预测融合到场景单个表示中。
BEV视觉3D感知算法梳理
@bangbang的博客
01-03 5701
这部分的实现逻辑与传统的Transformer的Decoder的逻辑类似，利用Cross-Attention模块将生成的3D空间下的Object Query和具有3D空间位置的语义特征进行交互，得到Output Embedding，然后利用FFN网络充当3D检测头实现最终的3D检测结果。
自动驾驶~BEV感知
whaosoft143ai的博客
12-29 688
写到这里了就再分享个自己觉得有趣的事情，那就是有一件看似很反直觉的事情，单从fusion bev的三个算法来看cmt明显性能不错，速度也可以，其次是bevfusion，最后是transfusion。点评：这是一篇没有开源的文章，和lss一样也是nvidia的工作，也是从2d到3d再投影到bev空间但由于假设沿射线的深度分布是均匀的，这意味着沿相机射线的所有体素都填充与2D空间中单个像素对应的相同特征，所以内存高效速度更快，单从文章看效果比lss要好，号称是第一个用统一框架同时做检测和分割任务的，但没开源。
BEV感知（1）--BEV感知算法
NPU 研0
01-31 8151
BEV感知算法、BEV开源数据集、BEV感知方法，算法优缺点
BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View
最新发布
butterflies_的博客
04-20 991
在自动驾驶场景下，以往工作是目标检测任务用图像视角做，语义分割用BEV视角做。本文提出了BEVDet，实现了一个统一的框架，它模块化设计分为图像编码器，视角转换器，BEV编码器以及BEV空间的3D检测头。然而框架定下来不代表性能好了，BEVDet在BEV空间上过拟合了，这需要在图像空间增加数据增强，但只有在没有BEV Encoder时才会有正效果。此外，由于图像空间到BEV空间是像素级联系的，图像空间的数据增强并不会对BEV编码器与检测头有正则化效果。所以这里我们在来增加鲁棒性。
[BEV] 学习笔记之BEVDet(原理+代码解析)
Rex大居
01-07 1万+
BEVDET
BEVDET论文与代码解读
weixin_41803339的博客
03-19 1625
bevdet论文解读
史上最全 | BEV感知算法综述（基于图像/Lidar/多模态数据的3D检测与分割任务）...
热门推荐
CV_Autobot的博客
08-09 3万+
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【BEV综述】获取论文！后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！1摘要以视觉为中心的俯视图（BEV）感知最近受到了广泛的关注，因其可以自然地呈现自然场景且对融合更友好。随着深度学习的快速发展，许多新颖的方法尝试解决以视觉为中心的BEV感知...
BEV感知算法 | FastBEV论文解读
DeepDriving
07-18 1682
FastBEV在M2BEV的基础上对视图变换方法做了一些优化，加入BEVDet4D中的时序融合方法，是一个高性能、推理速度快、部署友好的BEV感知算法。在读FastBEVBEV感知算法 | LSS论文与代码详解BEV感知算法 | BEVDet系列算法论文解读BEV感知算法 | M2BEV论文解读。
BEV感知算法 | LSS论文与代码详解
DeepDriving
06-28 1937
最近几年，BEV感知是自动驾驶领域中一个非常热门研究方向，其核心思想是把多路传感器的数据转换到统一的BEV空间中去提取特征，实现目标检测、地图构建等任务。如何把多路相机的数据从二维的图像视角转换到三维的BEV视角？LSS提出一种显示估计深度信息的方法，实现图像特征到BEV特征的转换，从而实现语义分割任务。LSS是英伟达在ECCV2020上发表的文章《》中提出的一个BEV感知算法，后续很多BEV感知算法如CaDDNBEVDet都是在LSS的基础上实现的。本文将结合论文和代码详细解读LSS的原理。
自动驾驶BEV感知系列算法整理总结
slamer111的博客
04-18 7911
BEV自动驾驶感知系列整理
【CV论文精读】【BEV感知】BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View
weixin_44184852的博客
02-19 2485
自动驾驶感知周围环境进行决策，这是视觉感知中最复杂的场景之一。范式创新在解决2D目标检测任务中的成功激励我们寻求一种优雅、可行和可扩展的范式，从根本上推动该领域的性能边界。为此，我们在本文中贡献了BEVDet范式。BEVDet在鸟瞰视图（BEV）中执行3D目标检测，其中大多数目标值被定义，并且可以方便地执行路线规划。我们只是重用现有的模块来构建它的框架，但通过构建一个独占的数据扩充策略和升级非最大抑制策略来实质性地发展它的性能。在实验中，BEVDet在准确性和时间效率之间提供了一个很好的折衷。
一万字快速了解BEV感知算法
weixin_55366265的博客
02-22 300
本文约10,900字，建议收藏阅读作者|易显维、虞凡出品|汽车电子与软件荐言：今天给大家推荐由易显维和虞凡联合撰写的《自动驾驶BEV感知算法指南》，本书2025年1月由机械工业出版社出版。以BEV主流技术与工程实践为主线，系统分析介绍BEV算法的基本原理、关键技术和源码级实现方法，助你掌握自动驾驶感知系统的整体架构和设计理念。本文节选自《自动驾驶BEV感知算法指南》第一章，将带领读者快速了...
小白也能看懂的BEV感知技术（二）
sgzqc的专栏
04-19 8962
本文重点介绍了纯视觉BEV感知和多传感器BEV感知的技术细节，并详细阐述了BEV感知的技术优势以及选择BEV+ Transformer结构的必要性。
BEVDet---论文+源码解读
qq_41920323的博客
09-30 1420
BEVDet---论文+源码解读
终于完成了20+技术方向学习路线的搭建(BEV感知/3D检测/多传感器融合/SLAM与规划等)...
CV_Autobot的博客
01-24 945
历时半年，我们搭建了一个国内最专业的自动驾驶感知、定位融合、仿真部署的平台，完成了近20+的技术方向学习路线的搭建！自动驾驶是未来出行的趋势，无论是国家层面还是企业层面都投入巨资研发，期望计算机视觉与AI能够改变出行。根据汽车人的了解，近期有不少相关企业陆续开放了HC！目前我们接触的从业者大多是机械、电气、自动化专业的同学，今年来看还有相当一部分从事互联网行业的同学跨行过来，相比于计算机科班来说，...
BEVDet代码学习（一）——create_data_bevdet.py
weixin_45717415的博客
07-30 1281
定义字典map_name_from_general_to_detection，用于将NuScenes数据集中的一般类别名称映射到特定的检测类别。其中，“ignore”类别的对象在检测任务中直接忽略。# 成人、儿童、警察、建筑工人均被视为pedestrian。# 轮椅、婴儿车、个人移动设备、动物被标记为ignore，意味着在检测中不考虑这些类别。# 汽车、摩托车、自行车、各种类型的卡车、公交车、拖车、施工车辆分别对应各自的类别。
BEVDet 论文解读
SugerOO的博客
07-23 515
2D 的视觉感知在过去的几年里有了急速的发展，涌现出一些优秀的范式工作，这些工作有较高的性能，可扩展性，以及多任务的兼容性（比如 Mask R-CNN）。 但是在自动驾驶感知领域，最新的一些 benchmarks 还是有很多不同的范式。比如在 nusences 数据集上，就有一些 基于图像的方法，比如 FCOS3D，PGD等，还有一些基于 BEV 的方法，比如 PON，LSS，VPN。 因此本文提出了 BEVDet，尝试以一种统一的框架解决不同的任务。
国内首个BEV感知全栈系列学习教程：课程总结
周同学的博客
03-31 3705
国内首个BEV感知全栈系列学习教程：课程总结
bevdet复现
03-22
### BEVDet 复现教程及相关实现方法 #### 1. 训练过程 训练 `BEVDet` 模型可以通过官方提供的脚本完成。对于基础版本的 `BEVDet-R50`，可以运行以下命令来启动训练流程[^1]： ```bash python ./tools/train.py ./config/bevdet/bevdet-r50.py ``` 如果目标是复现更轻量级的模型（如 `BEVDet-Tiny`），则需调整配置文件并执行相应的训练指令[^2]： ```bash python tools/train.py ./configs/bevdet/bevdet-sttiny.py ``` 此过程中需要注意的是，单 GPU 的设置更适合调试阶段。 --- #### 2. 配置文件说明 为了适配不同的硬件环境或数据集路径，在实际操作前可能需要修改配置文件中的参数。例如，当使用 NuScenes 数据集时，应确保将 `data_root` 设置为本地存储的数据集根目录位置[^3]: ```yaml data_root: '/path/to/nuscenes' ``` 上述更改通常位于 `.py` 文件内的 `dataset_type`, `ann_file`, 和其他相关字段中。 --- #### 3. 测试与评估 完成训练后，可通过测试脚本来验证模型性能。以下是基于预训练权重进行推理的具体方式： ```bash python tools/test.py \ ./configs/bevdet/bevdet-r50-cbgs.py \ ckpts/bevdet-r50-cbgs.pth \ --format-only \ --eval-options jsonfile_prefix=result ``` 该命令会生成一个 JSON 文件作为最终结果输出，默认保存至 `result/pts_bbox/results_nusc.json` 中。 --- #### 4. 可视化分析 为进一步理解预测效果，可利用工具对检测框或其他几何结构进行渲染处理。具体做法如下所示： ```bash python tools/analysis_tools/vis.py result/pts_bbox/results_nusc.json ``` 这一步会在当前工作区下的子目录 `vis` 内创建一段 MP4 格式的动画短片 (`vis.mp4`) ，直观展示算法表现情况。 --- #### 5. 常见问题排查 在实践环节可能会遇到若干典型障碍点，比如 CUDA 版本冲突、依赖库缺失等问题。建议提前安装好所有必需组件，并仔细核验每条日志提示信息以便快速定位错误源头。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DeepDriving

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值