BEVFormerV2:Adapting Modern Image Backbones to Bird’s-Eye-View Recognition via Perspective Supervisi
参考代码:暂无
1. 概述
介绍:FCOS使用2D图像作为感知输入,在经过trick调整和优化之后也能在3D目标检测任务中获得不错的效果,也就说明了只使用2D图像对于3D目标也是具备感知,这一点是这篇文章便是以此关键点出发构造BEV检测算法。在以往的BEV目标检测算法中,只会在BEV特征上使用检测头去检测场景中的目标,之后通过梯度反传去更新网络之前的模块,这就可能会导致如backbone性能无法有效发挥或出现灾难性遗忘的情况,对此文章在2D特征维度引入一个附加3D目标检测头,用以为网络添加特征约束和优化后面BEV中DETR检测任务头中的query,使得网络收敛更快。结合InternImage作为backbone、时序特征融合、检测query优化等策略文章的算法目前刷到了SOTA。
对于常见2D和BEV下的检测算法其pipeline见下图所示:
上面左右两幅图展示了2D和BEV模态下的目标检测任务,但是它们都有一个特点便是loss产生的梯度会传递很长的距离才能到达输入节点。在现有的BEV分割任务中已经证实添加2D辅助分支对于提升BEV的感知结果是有收益的。基于这样的观察文章在2D特征处添加3D目标检测模块,并用它的检测结果优化BEV检测中的query。
2. 方法设计
2.1 整体pipeline
从上图中可以看到文章的BEV检测算法与Bevformer算法框架类似,最大的区别是添加了一个2D辅助感知分支,将其检测结果作为后续BEV的额外query,类似于两阶段检测算法中第一阶段的检测用于提取proposal,而后续阶段在此基础上进一步优化。
2.2 具体实现
1. backbone部分:
在检测任务中经常使用VoVNet-99作为backbone,而文中则采用InternImage,其原因便是其设计思路与transformer网络更为相似,其抽取特征的能力更强。backbone的选择对性能带来的影响:
2. BEV特征构建:
对于BEV特征的构建与BevFormer类似也是采用query的形式,不过在时序特征融合部分采利用了帧间pose信息将不同帧的pose变换到同一坐标系下concat,这样会比原方案中使用GRU的方案效果更好。此外还添加了如时序采样间隔(间隔0.5s)、双向时序编码等trick用以进一步提点。将文中的一些trick在提前在这里总结:
3. 2D、3D上的检测分支:
2D上的检测分支用来提升特征的表达能力和给BEV特征提供有效proposal,帮助收敛。这两个部分的检测头的选择文章通过消融实验选出最适合的匹配:
4. BEV检测部分query构造:
这里query的主体结构与DETR相似,采用content和positional的组合。不过为了更进一步使用2D感知的结果这里显式使用了其投影中心点作为参考点,从而给予BEV处较好的先验query以加速收敛和提升效果。其流程见下图所示:
2D部分感知对性能带来的影响:
5. 损失函数:
文章的算法在2D和BEV特征上均做了检测,则网络的损失也是源自于这两处,则损失函数为两则的组合:
L t o t a l = λ b e v L b e v + λ p e r s L p e r s L_{total}=\lambda_{bev}L_{bev}+\lambda_{pers}L_{pers} Ltotal=λbevLbev+λpersLpers
3. 实验结果
BEVFormerV2:Adapting Modern Image Backbones to Bird’s-Eye-View Recognition via Perspective Supervisi相关推荐
- 论文精读:《BEVFormer v2: Adapting Modern Image Backbones to Bird’s-Eye-View Recognition via Perspective 》
文章目录 论文精读 摘要 1. 介绍(Introduction) 2. 相关工作(Related Works) 2.1 BEV三维物体探测器 (BEV 3D Object Detector) 2.2 ...
- 论文阅读:BEVSegFormer: Bird’s Eye View Semantic Segmentation FromArbitrary Camera Rigs
题目:BEVSegFormer: Bird's Eye View Semantic Segmentation FromArbitrary Camera Rigs 中文:BEVSegFormer基于任意 ...
- BEV(Bird‘s Eye View)
文章目录 BEV(Bird's Eye View,鸟瞰视图) 1. BEV网络基本概念 2. BEV网络应用 3. BEV网络应用详解 4.优化BEV网络 优化BEV网络 详解 BEV网络,怎么优化去 ...
- 语音识别(ASR)论文优选:Adapting GPT, GPT-2 and BERT Language Models for Speech Recognition
声明:平时看些文章做些笔记分享出来,文章中难免存在错误的地方,还望大家海涵.平时搜集一些资料,方便查阅学习:http://yqli.tech/page/speech.html.如转载,请标明出处.欢迎 ...
- 论文解读:Adapting Object Detectors via Selective Cross-Domain Alignment
论文题目:Adapting Object Detectors via Selective Cross-Domain Alignment(CVPR2019) 论文主要贡献:以往的域自适应的方法在分类和分 ...
- Paper翻译:《A Novel Convolutional Neural Network Based Model for Recognition and Classification of App》
论文名称:<A Novel Convolutional Neural Network Based Model for Recognition and Classification of Appl ...
- 【WebFace260M】《WebFace260M:A Benchmark Unveiling the Power of Million-Scale Deep Face Recognition》
CVPR-2021 文章目录 1 Background and Motivation 2 Related Work 3 Advantages / Contributions 4 Datasets an ...
- 深度学习论文阅读图像分类篇(三):VGGNet《Very Deep Convolutional Networks for Large-Scale Image Recognition》
深度学习论文阅读图像分类篇(三):VGGNet<Very Deep Convolutional Networks for Large-Scale Image Recognition> Ab ...
- 虹膜识别论文2:An Experimental Study of Deep Convolutional Features For Iris Recognition 2016年 学习心得
翻译: An Experimental Study of Deep Convolutional Features For Iris Recognition 深度卷积特征用于虹膜识别的实验研究 2016 ...
最新文章
- 从单词统计问题看面试
- 如何合并多个Django项目?
- 用美图秀秀(微软调色版)生成的R分量为255的图片在MATLAB和OpenCV中R分量为254
- 【Android Protobuf 序列化】Protobuf 使用 ( Protobuf 序列化 | Protobuf 反序列化 )
- RuntimeException: Package manager has died
- 一、在windows环境下修改pip镜像源的方法(以python3为例)
- 文带你深入了解 Redis 内存模型
- python安装jupyterlab_超级详细 centos7 安装 jupyter lab
- Nagios+zabbix+ganglia的相关参数分析和优缺点介绍
- 体验 Vista Speech Recognition,使梦想成为可能
- SpringBoot+MyBatis启动报错java.lang.NoClassDefFoundError: org/w3c/dom/ElementTraversal
- 任务21 :了解ASP.NET Core 依赖注入,看这篇就够了
- 中国软件企业上市透析(上)
- Android 猜歌曲游戏开发
- datatable 摧毁_我们快速的生活方式将使假新闻的发展摧毁我们。
- python绘制旭日图
- 嵌入式系统主要应用于哪些行业中?
- Mask Scoring R-CNN
- python的matmul_TensorFlow:tf.matmul函数
- 2010-2020管理类联考MBA/MEM英语大作文范文模版