书接前文
前文链接：用BEVformer来卷自动驾驶-3 (qq.com)
上文书介绍了BEVformer是个啥，以及怎么实现Deformable-attention
我们继续
BEVformer的输入数据格式：
-
输入张量（batachsize，queue，cam，C,H,W）
-
queue表示连续帧的个数，主要解决遮挡问题
-
cam表示图像数量/per 帧
-
C,H,W就是chw也就是图片通道数（3），高度，宽度
其他都好理解，可能queue和cam不好理解
比如你当前时刻是t，那么queue我想设置成3，就意味着，除了当前时刻以外，t-1和t-2时刻的信息我要一并拿来计算
cam：可以简单理解成摄像头的数量，比如按我前几章的逻辑图画的 样子，那么cam<=6
BEVformer Backbone：
-
Backbone就是提取特征的网络
-
啥网络都行，最好要速度快，比如Resnet，也可以VIT（带Transformer的都得优化）
-
按上图来说就抽6个摄像头的特征，给空间注意力用
-
BEV的特征空间里面的每个点，都要在这些特征里采样（可以参见上节课讲的逻辑）
回顾一下上节课我们时间注意力的时候，采样采了4个点，可以理解为4N
那么是不是有点少呢，比如我可以采8N或者N^2，是不是特征值摘取的更多，我的结果越和现实拟合呢？
论文上的结果和大家理解的大相径庭，可以看到采样为global的大家可以简单理解为跟所有的点都做attention计算，就是N^2，而Local就是4N，就是我们之前讲过的方式，明显看到在NDS和mAP的这些数据里都是Local（4N）更有优势，当然FLOPs算力效率更高，Memory也占用更小
这个东西怎么解释，没法解释...
如果强解释，我个人认为，和数据采样有关，因为你的BEV高维空间上的点（向量），在计算attetion的时候，实际上跟你有关的可能就那么几个点，如果你把所有的点都引入，也许带来了不必要的噪音，使结果反而没有就几个点的计算方式好
那我们总结一下：
在不考虑空间注意力机制的情况，我们用DeformableAttetion单靠时间注意力机制，在没有和其他的摄像头特征融合的时候，我已经有了先验数据，这部分先验数据哪来的？就是历史上t-2时刻和t-1时刻给我拿来init用的
下面讨论空间注意力机制：
从时间维度的注意力，我已经得到了先验的特征的向量（t-1,t-2带过来算出来的）然后我这个点（向量）相当于一个query，这个query要和周边的几个带颜色（cam）一起算空间注意力了
这就引入了一个新的概念Cross-attetion，因为x'y'这个向量它要和其他的特征空间（摄像头）里的不同的点做attetion计算，所以叫Cross
BEV是个3D空间，摄像头出来的是2D空间，所以要做3D到2D的投影
如上图所示，和时间注意力一样，我也不能和所有的点都做attetion，所以我又找出来个4N，依旧是DeformableAttention的思想，4N>8N>N^2
找出来一个摄像头就给我贡献了4个特征，剩下就是考虑到几个摄像头给我贡献了（参见第二章，第三章的逻辑），然后把所有的拿到的特征一起计算
最后一个需要注意的，论文里提出来需要考虑的一个特征"高度"，因为在现实社会里，我们实际上的物体是有高矮的区分，所以如上图所示，其实并不是一个向量，比如图里画了4个向量，就是不同高度的向量分别去和跟它们相关的摄像头去计算。
心细的读者已经有想法了，这是啥啊？是不是就是和Transformer里的多头注意力MHA机制很像啊？我个人也很倾向于把这个当多头注意力机制去理解，因为高度这个东西就更抽象了，多高算高呢，怎么把一个合理的高度空间分成4份呢？
整体流程就如上图所示了，在回忆一下我们前面的学习的知识串讲一下
-
首先，有一个backbone，确定自己有几个视角
-
其次，生成一个BEV的3D(4D加入了时间的概念)特征空间
-
再次，做基于时间的attention，主要一定是先做基于时间的，因为有了先验数据（比如t-2，t-1）
-
最后，做空间（和几个摄像头做attetion，cam的取值）的cross-attetion
后来又出了一系列的feature优化，看看就行
-
Corner pooling（针对性检测）
-
多尺度特征图
-
偏移量的预测增大卷积核（比如1*1换成3*3）
-
做好的BEV空间可以集成多检测器，比如基于Anchor的收敛速度快，适合检测大物体，基于DETR的，对小物体更友好，给了更多的选择
以上这些可能在下一篇或者后续新开连载再讲
BEV和BEVformer理论部分就到此结束了，其实方法没那么复杂，挺简单的，但是思路很棒，基本也会成为纯视觉自动驾驶的标配
本节完
