StreamPETR：Exploring Object-Centric Temporal Modeling for Efficient Multi-View 3D Object Detection

参考代码：StreamPETR

1. 概述

介绍：在BEV感知中时序信息融合会为下游感知任务带来不小性能提升，但是在单帧基础上引入时序信息必然会带来额外开销，因而迫切需要一种高性能且代价小的融合方案。现有的一些时序融合策略多是在BEV特征空间维度上完成的，并且对于一些DETR-based方案本身就没有显式构建BEV特征，如PETR，则BEV特征空间上的时序融合方法就不适用了。对此，这里基于PETR中DETR-based方案提出了一种使用query实现多桢object-centric的时序融合策略，也就是不在BEV特征或者图像特征维度实现时序融合，只是在query针对目标去做融合。由于感知的目标是可能存在运动的，则需要建立起帧间运动关系，这里可以使用目标的运动信息（间隔时间、速度、相机内外参数等）构建目标的运动感知模块（MLN，motion-aware layer normalization），这样就可以为场景中的运动目标进行处理。

之前工作中对于BEV特征融合的策略可以为下图中的左边两幅图：

直接特征图上的时序关联：
这种类型的时序建模是直接操作于BEV空间上，如对不同时刻BEV特征在经过帧间pose对齐之后，通过一个网络直接融合，典型方法如BEVFusion：
$${\bar{F}}_{bev}^t=\phi (F_{bev}^{t-1},F_{bev}^t)$$
只用前面一帧的信息太少了，可以多利用之前帧的信息，典型方法是SOLOFusion：
$${\bar{F}}_{bev}^t=\phi (F_{}$$