论文地址：
https://arxiv.org/pdf/2211.17111.pdf arxiv.org/pdf/2211.17111.pdf代码地址：
GitHub - HuangJunJie2017/BEVDet: Official code base of the BEVDet series . github.com/HuangJunJie2017/BEVDet/tree/dev2.0整体思想：
作者从工程优化的角度考虑优化BEVDet，提出了BEVPoolv2，优化视图转换过程，使其在计算和存储方面降低消耗。它通过省略视锥体特征的计算和预处理来实现这一点。处理640 * 1600的分辨率仅需要0.82ms，比之前的方法快了15.1倍. 此外，与以前的实现相比，它的缓存消耗也更少，这自然是因为它不再需要存储大型视锥体特性，这也使部署到其他平台变得更方便。作者还提供了一个部署到tensorrt的例子，并展示了运行速度。除了BEVPoolv2，作者还选择并集成了过去一年中提出的一些实质性进展。作为示例配置，BEVDet4D-R50-Depth-CBGS在NuScenes验证集上的得分为52.3 NDS，使用PyTorch可以以16.4FPS的速度进行处理。
背景
在自动驾驶中多camera的3D目标检测是一个基础任务，当前已有大量的方法在研究3D目标检测。作者提出了一个叫做bevDet2.0的3D目标检测方法，这是一个面向部署的，在速度和精度方面都做的很好的一个方法。
动机
LSS的方法的缺点是它必须进行计算、存储、预处理大尺度的视锥体特征，这个视锥体的尺度为(N,D,H,W,C)，N是相机数量，D是深度，H和W分别是特征的高和宽，C是特征的通道数。如图1左图所示。
图1 左边是LSS的计算抽象图 右边是本文提出来的BEVPoolv2加速视图转换的方法示意图
很多基于LSS的方法，都无法避免这种大量的计算，比如BEVFusion，虽然使用多线程进行加速了，但是本质上计算量没有减少，BEVDepth和BEVStereo也是采用了LSS的视图转化方法。如图2和图3所示
图2 不同特征深度和分辨率下，推理速度的对比
图3 不同深度和分辨率下，内存消耗的对比
由图可以看出作者的方法可以很大程度上避免内存消耗，优化速度，这也是为工程部署所做的贡献。
作者方法
作者方法的idea很简单，如图1右图所示，作者只使用视锥体点的索引作为它们的轨迹，并使用它们的体素索引单独进行预处理。然后根据视锥体索引访问处理线程中视锥体点特征的值。通过这种方式，不会再有视锥体特征的计算、存储和预处理。因此，可以节省内存和计算，并且可以进一步加快推理速度。体素索引和视锥体索引都可以离线预计算和预处理。在推断过程中，它们只是充当固定参数。也就是说体素索引和视锥体索引都是一一对应的，且是固定的，可以提前计算出来。从图中可以看出，这个方法超快，已经远远优于其他的方法，这使得视图转换不再是BEV的瓶颈。作者的方法取得了52.3的NDS
Tensorrt的部署
作者方法支持Tensorrt的部署，下表为推理速度，硬件平台就是3090 使用resnet50进行推理，下表是推理显示地应该是一个sample需要的时间
标签：进阶,Implementation,BEVPoolv2,索引,作者,BEVDet,方法,锥体 From： https://www.cnblogs.com/jimchen1218/p/18022559