论文速读 – BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View
参考：
BEVDet:High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View 论文笔记
一. 网络
网络主要分为四部分：图像视角编码器（image-view encoder）、视角转换器（view-transformer）、BEV编码器(BEV encoder)、特定任务头（task-specific head）
1.1 图像视角编码器 image-view encoder
编码输入图像到高层次的特征，该模块主要包含用于高层次特征提取的backbone和多分辨率特征融合的neck。
backbone： ResNet / Swintransformer； DenseNet HRNet也可以替换。
neck： FPN-LSS； PAFPN、NAS-FPN未实验过
1.2 视角转换器（view-transformer）
将图像视角转换为BEV视角，将上一步特征作为输入，采用分类的方式稠密预测深度。最后使用垂直方向pooling算子生成BEV特征。实践中，使用1.25倍r，拓展了默认检测范围到[1,60m]。
1.3 BEV编码器(BEV encoder)
与1.1内容类似，由backbone和neck组成，感知高精度的重要信号，如尺度、旋转、速度。使用带有参差模块的ResNet作为backbone、FPN-LSS作为neck。
1.4 特定任务头（task-specific head）
CenterPoint网络中CenterHead第一阶段
二. 数据增广策略
2.1独立的视觉空间：
常用方式： 图像的翻转（flipping）, 裁剪（cropping）, 旋转（rotating）。注意在视图转换时，为保证空间一致性，需要进行逆变换。
2.2 BEV特征空间：
BEV空间的特征学习因数据量问题，容易陷入过拟合。常规的翻转、裁剪、旋转方式也可以用于view transformer输出特征图。注意对视图转换器的输出以及检测目标进行同样操作，以保证空间一致性。
三. 尺度NMS方法
在图像空间，一般采用经典的NMS方法来调整预测结果。BEV空间，iou交集几乎为0，如锥桶、行人此类比BEV分辨率还小。
为解决上述问题，本文提出尺度NMS方法，先根据预测类别放缩物体，再进行NMS操作。在实践中，我们将Scale-NMS应用于除屏障外的所有类别，因其大小变化大。缩放因子是类别相关的。
