本文介绍一个多视角的3D检测模型：BEVDepth，论文收录于 AAAI2023。在这篇文章中，作者提出了一种新的具有可信深度估计的三维物体检测器。本文提出的BEVDepth通过利用激光雷达显式深度监督来提高图像深度估计的可信度。作者引入了摄像机感知深度估计模块，以增强深度预测能力。此外，针对不精确特征投影带来的副作用，设计了一种新的深度细化模块。此外借助定制的高效体素池化和多帧机制，BEVDepth在nuScenes测试集上实现了60.9%NDS，NDS得分首次达到60%。

论文链接：https://arxiv.org/abs/2206.10092

项目链接：https://github.com/Megvii-BaseDetection/BEVDepth

---

1. Introduction

引言部分作者提出了疑问：目前3D检测器学习到的深度估计质量真的能满足精确地3D目标检测要求吗？为了回答这个问题，作者首先可视化了基于Lift-splat检测器学习到的深度（下图所示）。尽管此检测器取得了30 mAP，但是它学到的深度非常差（虚线框中是相对准确的深度预测区域，通常是和地面相邻的区域）。

表1中作者将学习到的深度用LiDAR生成的深度来代替，可以看到mAP和NDS提高了20个点左右（0.282/0.470，0.327/0.515），显示了提高深度估计对摄像头3D检测非常关键。

---

2. Delving into Depth Prediction in Lift-splat

在引言中，作者发现基于LSS的检测器即使深度差得惊人，仍然可以获得合理的3D检测结果。在本节中，作者首先回顾建立在LSS上的基线3D检测器的总体结构。然后，在基线检测器上进行了简单的实验，以揭示为什么观察到前面的现象。最后，讨论了该检测器的三个不足之处，并指出了可能的解决方案。

2.1 Model Architecture for Base Detector

基线检测器使用CenterPoint检测头来代替原始LSS分割头。简单来说它包含4个组成部分：

• 1）图像编码器从 $N$ 个图像中提取图像特征，$F^{2d}=\{F_i^{2d}\in$ ${\mathbb{R}}^{C_F\times H\times W},i=1,2,\dots ,N\}$ 。
• 2） 深度网络从图像特征中估计图像深度，$D^{pred}=\{D_i^{pred}\in$ ${\mathbb{R}}^{C_D\times H\times W},i=1,2,\dots ,N\}$，其中 $C_D$ 表示深度区间个数。
• 3）视觉转换，将2D图像转换到3D空间，然后池化转为BEV特征，$F_i^{3d}=F_i^{2d}\otimes D_i^{\text{pred }},F_i^{3d}\in {\mathbb{R}}^{C_F\times C_D\times H\times W}$。
• 4）3D检测头预测物体类别，3D box尺寸位置和其它属性。

---

2.2 Making Lift-splat work is easy

这里作者首先用一个随机初始化的张量替换 $D^{pred}$，并在训练和测试阶段冻结它。结果如表1所示，用随机soft值替换 $D^{pred}$ 后，mAP仅下降3.7%(从28.2%降至24.5%)。即使特征深度灾难性地被破坏，深度分布的soft性质在一定程度上仍然有助于投影到正确的深度位置。

进一步将soft随机深度替换为hard随机深度，观察到有6.9%的降幅。这表明只要正确位置的深度有激活，检测头就可以工作。这也解释了为什么在图1中的大多数区域学习到的深度较差，但仍然有一定的检测mAP。

---

2.3 Making Lift-splat work well is hard

---

3. BEVDepth

---

4. Experiment