1、Camera only

主要思想：固定900個(gè)query個(gè)數(shù)，隨機(jī)初始化query。每個(gè)query對(duì)應(yīng)一個(gè)3D reference point，然后反投影到圖片上sample對(duì)應(yīng)像素的特征。

缺點(diǎn)：需要預(yù)訓(xùn)練模型，且因?yàn)槭请S機(jī)初始化，訓(xùn)練收斂較慢

BEV Former

https://arxiv.org/abs/2203.17270

主要思想：將BEV下的每個(gè)grid作為query，在高度上采樣N個(gè)點(diǎn)，投影到圖像中sample到對(duì)應(yīng)像素的特征，且利用了空間和時(shí)間的信息。并且最終得到的是BEV featrue，在此featrue上做Det和Seg。

Spatial Cross-Attention：將BEV下的每個(gè)grid作為query，在高度上采樣N個(gè)點(diǎn)，投影到圖像中獲取特征。

Temporal Self-Attention: 通過self-attention代替運(yùn)動(dòng)補(bǔ)償，align上一幀的feature到當(dāng)前幀的Q

曠視，PETR

https://arxiv.org/pdf/2203.05625.pdf

2、多模態(tài)

清華，F(xiàn)UTR3D

https://arxiv.org/pdf/2203.10642.pdf

在DETR的基礎(chǔ)上，將3D reference point投影到Lidar voxel特征和radar point 特征上。

香港科技大學(xué)，Transfusion

https://arxiv.org/pdf/2203.11496.pdf

利用CenterPoint在heatmap上獲取Top K個(gè)點(diǎn)作為Query（這K個(gè)點(diǎn)可以看做是通過lidar網(wǎng)絡(luò)初始化了每個(gè)目標(biāo)的位置，這比DETR用隨機(jī)點(diǎn)作為Qurey收斂要快），先經(jīng)過Lidar Transformer得到proposal，把這個(gè)proposal作為Query，再和image feature做cross attention。

Google，DeepFusion

https://arxiv.org/abs/2203.08195

直接將Lidar feature和Camera feature做cross attention，這個(gè)思路牛逼，我不看到這篇論文是絕對(duì)想不到還能這么搞的。

編輯：黃飛