BEVSegFormer创造了新的BEV分割SOTA

对自动驾驶而言，BEV（鸟瞰图）下的语义分割是一项重要任务。尽管这项工作已经吸引了大量的研究，但灵活处理自动驾驶车辆上的任意相机配置（单个或多个摄像头），仍然是一项挑战。

为此，Nullmax的感知团队提出了BEVSegFormer，这一基于Transformer的BEV语义分割方法，可面向任意配置的相机进行BEV语义分割。

这项研究的题目为《BEVSegFormer: Bird's Eye View Semantic Segmentation From Arbitrary Camera Rigs》，论文链接：https://arxiv.org/abs/2203.04050。

为了评估这一算法的效果，Nullmax在nuScenes公开数据集以及Nullmax的自采数据集上进行了验证。实验结果表明，BEVSegFormer对任意相机配置的BEV语义分割，具有出色的性能表现。并且在nuScenes验证集上，BEVSegFormer创造了新的BEV分割SOTA。

在接下来的工作中，我们还计划针对自动驾驶以及BEV语义分割的一些其他挑战，展开进一步的研究。

欢迎对计算机视觉及自动驾驶感知感兴趣的小伙伴加入我们，一起探索！

01

关于BEVSegFormer

在自动驾驶或者机器人导航系统中，以BEV形式对感知信息进行表征，具有至关重要的作用，因为它可以为规划和控制提供诸多的便利。

比如，在无地图导航方案中，构建本地BEV地图，不仅成为了高精地图外的另一种选择，并且对于包括智体行为预测以及运动规划等感知系统下游任务而言，也非常重要。而利用相机的输入进行BEV语义分割，通常被视为构建本地BEV地图的第一步。

为此，传统方法一般会先在图像空间生成分割结果，然后通过逆透视变换（IPM）函数转换到BEV空间。虽然这是一种连接图像空间和BEV空间的简单直接的方法，但它需要准确的相机内外参，或者实时的相机位姿估计。所以，视图变换的实际效果有可能比较差。

以车道线分割为例，在一些挑战性场景中，比如遮挡或者远处区域，使用IPM的传统方法提供的结果就不够准确，如图所示。

近年来，深度学习方法已被研究用于BEV语义分割。Lift-Splat-Shoot通过逐像素深度估计结果完成了从图像视图到BEV的视图变换。不过使用深度估计，也增加了视图变换过程的复杂度。此外，有一些方法应用MLP或者FC算子来进行视图变换。这些固定的视图变换方法，学习图像空间和BEV空间之间的固定映射，因此不依赖于输入的数据。

而基于Transformer的方法，是在BEV空间下进行感知的另一个研究方向。在目标检测任务中，DETR3D引入了一种3D边界框检测方法，直接从多个相机图像的2D特征生成3D空间中的预测。3D空间和2D图像空间之间的视图变换，通过交叉注意模块的3D到2D查询来实现。

受此启发，我们提出了BEVSegFormer，通过在Transformer中使用交叉注意机制进行BEV到图像的查询，来计算视图变换。

BEVSegFormer由3个主要的组件组成：

共享的主干网络，用于提取任意相机的特征图；

Transformer编码器，通过自注意模块嵌入特征图；

BEV Transformer解码器，通过交叉注意机制处理BEV查询，输出最终的BEV语义分割结果。

具体来说，BEVSegFormer首先是使用了共享的主干网络，对来自任意相机的图像特征进行编码，然后通过基于可变形Transformer的编码器对这些特征进行增强。

除此之外，BEVSegFormer还引入了一个BEV Transformer解码器模块，对BEV语义分割的结果进行解析，以及一种高效的多相机可变形注意单元，完成BEV到图像的视图变换。

最后，根据BEV中的网格布局对查询进行重塑，并进行上采样，以有监督的方式生成语义分割结果。

我们分别在nuScenes公开数据集以及Nullmax的自采数据集上，检验了BEVSegFormer的算法效果。实验结果表明，BEVSegFormer在nuScenes验证集上创造了新的BEV分割SOTA。通过消融实验，当中每个组件的效果也得到了验证。

02

加入我们

在这项研究中，我们为了应对自动驾驶车辆上任意相机配置的BEV语义分割挑战，提出了BEVSegFormer。

接下来，我们还计划在自动驾驶当中，基于Transformer探索内存效率更高、解释性更强的BEV语义分割方法。

欢迎对BEV、Transformer在自动驾驶中的感知任务感兴趣，以及希望从事于计算机视觉和自动驾驶感知研发的同学，加入Nullmax感知团队。

在这里，你可以直接参与到大量自动驾驶量产项目的落地，以及最前沿技术的预研当中，为你的idea和技术找到一个充分施展的舞台！

审核编辑 ：李倩