Scepter914 Website
Table of contents

Summary

  • https://arxiv.org/pdf/2205.09743.pdf
  • https://github.com/zhangyp15/BEVerse
  • Multi-Camera BEV perception
    • 3d detection, motion prediction, semantic map のmulti-task learning
      • semantic map は mapのみでobjectは含まない
      • motion prediction はsegmentationの表現で行われている
  • Multi-frame, transformer base
    • Encode-decode した後transformerでBEV featureにする
    • BEV feature * n frame
  • detectionだけならRTX 3090 GPUs, 12.6fpsで意外と利用に耐えうるレベル
    • ただmulti task modelだと4.4fpsなので微妙
    • motion prediction が重い

Methods

Experiment

  • Mapの表現かなりそれっぽい

  • 性能
    • RTX 3090 GPUs

  • 共通model
    • BEVerse-Det 55.8M param, 12.6fps = 80ms
      • 意外と早く動いている
    • 全部載せだと102.5M param, 4.4fps で流石に重い

  • 比較
    • もうPointPillarsに並んできた

  • Future instance segmentation