解读BEVFormer，新一代CV工作的基石

文章出处

BEVFormer这篇文章很有划时代的意义，改变了许多视觉领域工作的pipeline[2203.17270] BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers (arxiv.org)https://arxiv.org/abs/2203.17270

BEV (Bird's Eye View)

即鸟瞰图通常用于描述地面上的物体、车辆、行人以及其他障碍物的位置和运动，含有丰富的特征。在自动驾驶系统中，BEV可以帮助车辆更好地理解周围的车辆和行人的位置，从而更安全地进行驾驶决策。

BEVFormer

这是一种基于Transformer的BEV编码器，从多视角摄像头和历史BEV特征中聚合时空特征，即时空编码，注意力机制用来融合时空信息。

文中提到了三个关键点

• 网格状BEV查询，通过灵活的注意机制融合空间和时间特征

• 空间交叉注意模块，用于聚合来自多摄像头图像的空间特征

• 时间自注意模块，来自RNN的思想，用于从历史BEV特征中提取时序信息，（移动物体的速度估计和遮挡物体的检测）递归操作实现的准确速度预测

上面这个是文章中给出的示意图。输入数据是六个摄像头在相同时间段内的数据，每个时刻对应了六张图表示周围的空间。

具体工作流程

先对前一个时刻的BEV特征做查询结合上当前的时刻特征，这样就是能够学习到时序关系，输出的BEV query再空间交叉注意力查询多摄像头的特征信息，生成当前时间戳的BEV特征bev_embedding。

loss和损失评估

匈牙利算法做框匹配，利用已知的框位和模型框选计算L1 loss，结合分类损失平均最小

文中的关键概念解析

空间交叉注意力的概念

每个BEV查询只和感兴趣区域内的特征做交互，减少计算需要，也不会损失很多关键信息，学习效果也可以比全局注意力机制更强。这是基于可变注意力Deformable Attention的一个改进。首先操作是升为柱状的查询，不同高度的点只会对应某几个视角下2D图片的几个点位置，只对这些区域做查询，太高或太低导致不出现在2D图片中的投影点就不查询。

时间自注意力的概念

BEV查询会交互两个特征信息，当前的BEV和历史的BEV，比较特例的是时间序列的第一个样本不包含时间信息。操作是先将BEV查询Q和t-1时刻的特征对齐。这是因为车在运动，前后时刻的特征在空间上不对齐，使用车辆的旋转角度和偏移信息数据来做特征对齐。车周围的物体运动依靠注意力机制的学习实现对齐。文中提到的偏移量是一个车在运动时造成画面中特征的偏移值，这个根据自注意力学习得到，偏移量是对于参考点的一个修正作用。

BEV Quires

BEV中自注意力查询的方式：每次的操作在平面中查询一块的H,W大小网格中的信息，查询前对BEV查询Q做位置嵌入，目的是用于查询得到BEV特征图

应用

• 3D目标检测，利用得到的BEV特征作为3D检测头输入，实现3D边框的检测和速度预测，无需后处理。

• 地图分割，设计2D分割头，类似语义分割，利用掩码解码器做类别查询，实现车辆，道路，车道线等划分

代码部分的一些解读

论文项目的代码仓库fundamentalvision/BEVFormer: [ECCV 2022] This is the official implementation of BEVFormer, a camera-only framework for autonomous driving perception, e.g., 3D object detection and semantic map segmentation. (github.com)https://github.com/fundamentalvision/BEVFormer

观察代码部分，可以发现其中先分别构建构建分类和回归的分支。

对于目标检测和边缘标注任务，将模型输出的当前bev_embedding特征做一个解码。

用到了多层的Decoder嵌套，每一层都会有计算分类和回归结果，除了初始选定参考点，每一次都是用回归的结果对前面参考点的一个优化，最终得到分类。具体是先通过自注意力更新query以及参考点做可变形的注意力，酸菜查询特征，再调用回归分支计算得到预测输出，输出的就是预测框的坐标和相关的运动信息，拿来更新点。

框选的实现是根据已经解码出来的一组点数据，结合做3D格式转换实现视频中框选和标注