论文链接BEVDepth:AcquisitionofReliableDepthforMulti-View3DObjectDetection0.Abstract提出了一种新的3D物体检测器，具有值得信赖的深度估计，称为BEVDepth，用于基于相机的鸟瞰(BEV)3D物体检测BEVDepth通过利用显式深度监控来解决深度估计不足的问题，还引入了一个具有相机意识的深度估计模块，以促进深度预测能力设计了一个新颖的深度细化模块，以对抗不准确特征反投影所带来的副作用1.Intro本文的问题：检测器中学到的深度质量是否真正满足精确的3D物体检测的要求?LSS机制中存在三个缺陷深度不准确：由于深度预测模块直

1.论文信息2.引言这篇论文介绍了一种新的3Dobjectdetection方法，这对于自动驾驶、机器人技术和监控等应用至关重要。传统的3Dobjectdetection方法使用鸟瞰视角（BEV）方法，将3D场景简化为2D表示。然而，常规的BEV方法在本质上大多是静态的。本文提出了一种名为DynamicBEV的动态方法。传统BEV方法的局限性静态Queries：传统方法主要使用静态Queries，其中Queries权重在训练阶段预定义，并且在推理期间不会更改。有限的背景利用：由于Queries的静态性质，这些模型难以有效地利用空间和时间背景，并适应复杂场景。DynamicBEV的进步动态Que

文章目录BEVDepth:AcquisitionofReliableDepthforMulti-view3DObjectDetection论文精读摘要（Abstract·）1.介绍（Introduction）2.相关工作（Relatedwork）2.1基于视觉的三维目标检测2.2基于激光雷达的三维目标检测2.3深度估计3.BEVDepth4.实验（Experiment）4.1实验步骤（ExperimentalSetup）4.2消融研究4.3基准测试结果4.4可视化5.结论（Conclusion）参考BEVDepth:AcquisitionofReliableDepthforMulti-view

很久没有更新博客了，近期一直在忙秋招相关的事情，抽空将暑期实习的3D目标检测资料进行总结归纳。由于篇幅过于繁杂，重点挑选基于纯视觉的BEV(鸟瞰图)的3D目标检测进行总结归纳，包括BEVFormer、BEVDepth。至于Focus3D、PETRv2、BEVFusion等，基于体素、点云和融合方案的3D目标检测有空可能会再做更新。BEVFormerBEVFormer有6个重复的encoderlayers，每一层中，除了3个量身定制的设计（BEVqueries,Spatialcross-attention,andTemporalself-attention），都是传统的transformers结