BEVFusion总体结构如下图所示，在相机和lidar的输入都已经被网络提取特证之后，就要对两种特征进行融合，

在BEV Fusion中图像支路得到的是 Camera BEV Features，点云支路得到的是 LiDAR BEV Features，除了2d和3d各自的检测支路之外，下一步我们要做什么呢，那就是融合，也就是 Fusion Module 模块。接下里啊就来仔细来看下这个模块。

特征融合是怎么进行的呢？

融合其实很简单，一个级联，一个是卷积做一下特征提取就结束了。
然后我们引入了一个叫 Adaptive Feature Selection，翻译过来叫做特征的自适应选择，其实这就是一个 Attention组件，使用的就是注意力机制
谓的注意力机制包括空间注意力、通道注意力、混合注意力还有 self-attention 等等，关于这些attention就看一下另一个帖子我不赘述了。

空间注意力、通道注意力、混合注意力和 Self-Attention

稍微整理了一个回答，贴在了下面

BEVFusion 中引入的 Adaptive Feature Selection其实偏向通道层面，对通道维度进行了加权，考虑的是哪个通道更重要， 是点云上的通道呢，还是图像上的通道呢，
通过这样一个权重的预测，对通道特征去进行重新的加权， 我们从图中可以看到 ⊙ 是一个 Channel-wise 的，是一个通道的相乘，会关注一个重要的通道而忽略不重要的通道

所以在这里融合模块其实可以一定程度上体现 BEVFusion 的作者在 Motivation中阐述的一个想法，那就是点云和图像是没有主次之分的，可能对于这个场景而言，我们可能认为点云更重要，我们喜欢点云，可能对于下一个场景而言图像更重要，我们喜欢图像，那我们就多关注一点图像，那无论怎么做，它是一种网络自适应的过程，而不是说我们人为定义好了，比如我们就用点云或者就用图像，或者从点云到图像或者从图像到点云，它不是这么做的，它是一种自适应挑选的过程。那融合完成后，我们就可以得到融合特征，自然就可以用来做预测。
出处https://blog.csdn.net/qq_40672115/article/details/134891133

说的还是比较清楚的，细究的话那就是在经过了channel的直接拼接（级联）之后，我们通过这一段输出的其实就是对于通道的权重了，在这里学习注意力之后，再与下面一行相乘，得到的就是带有通道注意力的特征了。