原文发表在知乎，辛苦移步～ mmdetection3d中bevformer解析

bevformer是在bev视角检测中的经典之作，将图像特征转化成bev特征，然后再进行下游任务，目前主流的智驾方案都是基于此方案进行升级。我们在实际项目中也做过尝试，效果很不错。在50米范围内的车辆等较大目标的距离误差可以做到<1米。小目标会更少一些。为了在性能和效果上进行均衡，我们在官方代码的基础之上做了一些优化：

backbone替换为用有深度图像预训练过的dla-34，可大幅提升mAP
neck换成secondfpn
用group detr替代detr
收集接近30万帧数据训练
图像分辨率减少50%，可大幅缩短耗时
bev query与object query都减少，减为2500和900
减少encoder的层数，去掉时序信息
等等，下面对此项目进行一些回顾，并做笔记如下：