BEVFormer治好了我的精神内耗

BEVFormer治好了我的精神内耗

来源：https://zhuanlan.zhihu.com/p/564295059

文章链接：BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers

代码：https://github.com/zhiqi-li/BEV

开局第一张图

**来句题外话：**其实我个人来说，我特喜欢把网络模型结构放在文章开头的写法，这种写法很符合我阅读论文的习惯 ，我习惯带着思考和自己的初步理解逐渐探索的过程，这会极大的激发我的阅读兴趣！

BEVFormer的工作流程

上面这张图展示了BEVFormer的两大核心任务：**mutil-camera（多视角相机）**和 bird- eye-view（鸟瞰图）。BEVFormer利用了Transformer强大的特征提取能力以及Timestamp结构的时序特征的查询映射能力，在时间维度和空间维度对两个模态的特征信息进行聚合，增强整体感知系统的检测效果。

那我们在开始读文章的时候先仔细的分析一下这张图

BEV Queries部分：根据字面意思推断应该是用于查询得到BEV图上的特征信息，那用什么怎么查询呢？是Transformer中的QKV吗？

Temporal Attention部分：根据字面意思推断是一个时序注意力机制，是提取出不同的时序下鸟瞰图的特征变化信息吗？

Spatial Attention部分：这个部分其实明显了，将多个视角的空间特征信息融合，因为多视角本来就是一个空间问题，所以使用空间注意力很正常，但是怎么使用这个空间注意力呢？然后这个空间注意力长啥样子呢？我们也还不知道。

所以让我们带着问题继续往下读这篇文章！