3d检测️之视觉bev检测算法

在现有的多视角3D目标检测方法中，通常包含三个主要的模块：

1. 2D主干网络，用来对输入的多视角图片进行编码，得到2D图像特征；
2. 2D到3D的特征拉升，用来将上一步中获取到的2D图像特征拉升到3D空间中预定义的一些锚点上，得到拉升后的3D特征；
3. 基于拉升后的3D特征做3D目标检测。

在这其中第二步是现有的端到端的多视角3D目标检测方法的核心，起到了承上启下的关键作用。现有的方法主要基于两种特征拉升方法：

• 由Lift-Splat-Shoot提出的基于Lift-Splat的特征拉升方法（如下图a），虽然具有对深度的感知能力，但是由于该方法中3D锚点和2D图像特征之间的关系是由确定的几何关系固定了的，无法进行调整，因此，该拉升方法在整个3D目标检测流程中只能进行一次，一旦有任何误差便无法纠正回来。除此之外该方法还有一个小缺点，由于在拉升过程中需要显式地根据2D特征构建3D特征，2D特征的分辨率就不能太大，否则显存占用会急速膨胀。
• 基于2D注意