對(duì)自動(dòng)駕駛而言，BEV（鳥瞰圖）下的語義分割是一項(xiàng)重要任務(wù)。盡管這項(xiàng)工作已經(jīng)吸引了大量的研究，但靈活處理自動(dòng)駕駛車輛上的任意相機(jī)配置（單個(gè)或多個(gè)攝像頭），仍然是一項(xiàng)挑戰(zhàn)。

為此，Nullmax的感知團(tuán)隊(duì)提出了BEVSegFormer，這一基于Transformer的BEV語義分割方法，可面向任意配置的相機(jī)進(jìn)行BEV語義分割。

這項(xiàng)研究的題目為《BEVSegFormer: Bird's Eye View Semantic Segmentation From Arbitrary Camera Rigs》，論文鏈接：https://arxiv.org/abs/2203.04050。

為了評(píng)估這一算法的效果，Nullmax在nuScenes公開數(shù)據(jù)集以及Nullmax的自采數(shù)據(jù)集上進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，BEVSegFormer對(duì)任意相機(jī)配置的BEV語義分割，具有出色的性能表現(xiàn)。并且在nuScenes驗(yàn)證集上，BEVSegFormer創(chuàng)造了新的BEV分割SOTA。

在接下來的工作中，我們還計(jì)劃針對(duì)自動(dòng)駕駛以及BEV語義分割的一些其他挑戰(zhàn)，展開進(jìn)一步的研究。

歡迎對(duì)計(jì)算機(jī)視覺及自動(dòng)駕駛感知感興趣的小伙伴加入我們，一起探索！

01

關(guān)于BEVSegFormer

在自動(dòng)駕駛或者機(jī)器人導(dǎo)航系統(tǒng)中，以BEV形式對(duì)感知信息進(jìn)行表征，具有至關(guān)重要的作用，因?yàn)樗梢詾橐?guī)劃和控制提供諸多的便利。

比如，在無地圖導(dǎo)航方案中，構(gòu)建本地BEV地圖，不僅成為了高精地圖外的另一種選擇，并且對(duì)于包括智體行為預(yù)測(cè)以及運(yùn)動(dòng)規(guī)劃等感知系統(tǒng)下游任務(wù)而言，也非常重要。而利用相機(jī)的輸入進(jìn)行BEV語義分割，通常被視為構(gòu)建本地BEV地圖的第一步。

為此，傳統(tǒng)方法一般會(huì)先在圖像空間生成分割結(jié)果，然后通過逆透視變換（IPM）函數(shù)轉(zhuǎn)換到BEV空間。雖然這是一種連接圖像空間和BEV空間的簡(jiǎn)單直接的方法，但它需要準(zhǔn)確的相機(jī)內(nèi)外參，或者實(shí)時(shí)的相機(jī)位姿估計(jì)。所以，視圖變換的實(shí)際效果有可能比較差。

以車道線分割為例，在一些挑戰(zhàn)性場(chǎng)景中，比如遮擋或者遠(yuǎn)處區(qū)域，使用IPM的傳統(tǒng)方法提供的結(jié)果就不夠準(zhǔn)確，如圖所示。

近年來，深度學(xué)習(xí)方法已被研究用于BEV語義分割。Lift-Splat-Shoot通過逐像素深度估計(jì)結(jié)果完成了從圖像視圖到BEV的視圖變換。不過使用深度估計(jì)，也增加了視圖變換過程的復(fù)雜度。此外，有一些方法應(yīng)用MLP或者FC算子來進(jìn)行視圖變換。這些固定的視圖變換方法，學(xué)習(xí)圖像空間和BEV空間之間的固定映射，因此不依賴于輸入的數(shù)據(jù)。

而基于Transformer的方法，是在BEV空間下進(jìn)行感知的另一個(gè)研究方向。在目標(biāo)檢測(cè)任務(wù)中，DETR3D引入了一種3D邊界框檢測(cè)方法，直接從多個(gè)相機(jī)圖像的2D特征生成3D空間中的預(yù)測(cè)。3D空間和2D圖像空間之間的視圖變換，通過交叉注意模塊的3D到2D查詢來實(shí)現(xiàn)。

受此啟發(fā)，我們提出了BEVSegFormer，通過在Transformer中使用交叉注意機(jī)制進(jìn)行BEV到圖像的查詢，來計(jì)算視圖變換。

BEVSegFormer由3個(gè)主要的組件組成：

共享的主干網(wǎng)絡(luò)，用于提取任意相機(jī)的特征圖；

Transformer編碼器，通過自注意模塊嵌入特征圖；

BEV Transformer解碼器，通過交叉注意機(jī)制處理BEV查詢，輸出最終的BEV語義分割結(jié)果。

具體來說，BEVSegFormer首先是使用了共享的主干網(wǎng)絡(luò)，對(duì)來自任意相機(jī)的圖像特征進(jìn)行編碼，然后通過基于可變形Transformer的編碼器對(duì)這些特征進(jìn)行增強(qiáng)。

除此之外，BEVSegFormer還引入了一個(gè)BEV Transformer解碼器模塊，對(duì)BEV語義分割的結(jié)果進(jìn)行解析，以及一種高效的多相機(jī)可變形注意單元，完成BEV到圖像的視圖變換。

最后，根據(jù)BEV中的網(wǎng)格布局對(duì)查詢進(jìn)行重塑，并進(jìn)行上采樣，以有監(jiān)督的方式生成語義分割結(jié)果。

我們分別在nuScenes公開數(shù)據(jù)集以及Nullmax的自采數(shù)據(jù)集上，檢驗(yàn)了BEVSegFormer的算法效果。實(shí)驗(yàn)結(jié)果表明，BEVSegFormer在nuScenes驗(yàn)證集上創(chuàng)造了新的BEV分割SOTA。通過消融實(shí)驗(yàn)，當(dāng)中每個(gè)組件的效果也得到了驗(yàn)證。

02

加入我們

在這項(xiàng)研究中，我們?yōu)榱藨?yīng)對(duì)自動(dòng)駕駛車輛上任意相機(jī)配置的BEV語義分割挑戰(zhàn)，提出了BEVSegFormer。

接下來，我們還計(jì)劃在自動(dòng)駕駛當(dāng)中，基于Transformer探索內(nèi)存效率更高、解釋性更強(qiáng)的BEV語義分割方法。

歡迎對(duì)BEV、Transformer在自動(dòng)駕駛中的感知任務(wù)感興趣，以及希望從事于計(jì)算機(jī)視覺和自動(dòng)駕駛感知研發(fā)的同學(xué)，加入Nullmax感知團(tuán)隊(duì)。

在這里，你可以直接參與到大量自動(dòng)駕駛量產(chǎn)項(xiàng)目的落地，以及最前沿技術(shù)的預(yù)研當(dāng)中，為你的idea和技術(shù)找到一個(gè)充分施展的舞臺(tái)！

審核編輯 ：李倩