本文提出了一套基于 Transformer 和时序模型在鸟瞰图视角下优化特征的环视物体检测方案，即 BEVFormer。nuScenes 数据集上以 NDS 指标（类似mAP），在 camera only 赛道中大幅领先之前方法。本文旨在介绍我们在设计 BEVFormer 过程中考虑的思路、比较的多种方法、以及下一步可能的研究方向。

论文标题：

BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers

论文链接：

https://arxiv.org/pdf/2203.17270.pdf

代码链接：

https://github.com/zhiqi-li/BEVFormer

内容中包含的图片若涉及版权问题，请及时与我们联系删除