本文介绍一篇简单的BEV语义分割模型，这篇文章出彩的是消融实验部分，分析了哪些因素对BEV语义分割影响比较大，此外还分析了如何更好使用Radar数据提高感知性能。

项目链接为：https://simple-bev.github.io/

---

1. Simple-BEV Model

整个模型架构如下图所示（在作者上传到Arxiv v1版论文中提供了下图），传感器包含多个摄像头和毫米波雷达。

• 首先使用Resnet-101网络提取每个图像特征，然后定义3D空间 $（100m，100m，10m）$，将每个子网格投影到特征图上，双线性采样特征，得到3D特征网格，大小为 $(200,200,8)$。
• 然后将毫米波雷达点云转换成图像，毫米波图像特征维度为15维；
• 毫米波图像特征与3D特征网格相结合，压缩成BEV特征图，再使用Resnet-18网络处理BEV特征图，最后是不同的任务头；

---

2. Experiments

2.1 Unified study of performance factors

首先比较了将图像特征投影到BEV上的不同方法的性能。从下表可以看到双线性采样是优于基于深度splatting的方法，本文方法仅落后于多尺度可变形的注意力方法。在BEV语义分割中，双线性采样就可以很轻松得到较好的结果，可以不需要进行深度估计。

下图是深度估计和双线性采样在不同距离上的IOU比较，可以看到在近距离上深度估计效果更好，远距离上双线性采样效果更好，对于图像来说，要估计远距离的深度往往是很有挑战性的。

下面测量模型的性能如何随输入分辨率而变化，使用相同的分辨率进行训练和测试。使用低于448×800的分辨率会大大降低性能。论文的最佳结果是49.3，输入分辨率为672×1200。然而，该分辨率相比448x800的分辨率要慢得多（133 ms vs 83 ms），并且需要将近两倍的训练时间，针对nuscenes数据集来说，可以考虑448x800的输入分辨率。

下图讨论了批量大小对模型性能的影响：批量大小的增加会提高模型性能。将批量大小从2增加到40模型性能可以提高近14个点。大多数以前的工作使用的批量大小小于16，许多现有方法可能会从简单的重新训练中再受益（仅改变批量大小）。

下面是不同主干网对性能的影响，可以看到网络越深，性能越高，但这些主干网也对输入分辨率有着特定要求，即上面提高的448x800。

下面是对数据增强方法的比较。

• 训练模型时，随机地将每个相机的图像大小调整到目标分辨率的[0.8，1.2]以内，并将其放置在中心的随机偏移处。表III（a）显示，能提高1.6个点。
• 当随机选择相机作为“参考”相机时，即选择不同相机作为3D网格的参考系可以提高0.6个点。随机选择参考相机有助于减少BEV模块中的过拟合，定性地观察到，如果没有这种增强，分割的车辆在某些位置的某些方向上会有轻微偏差；但是随机选择相机，这种偏差消失了。
• 之前的研究报告称，在每个训练样本中随机丢弃6个可用摄像头中的1个摄像头会带来好处。如表III（c）所示，发现相反的情况：使用所有相机表现更好。这可能是因为参考相机随机化提供了足够的正则化。

---

2.2 Multi-modality fusion analysis

下表比较了多模态融合的性能，在本文融合Radar之后模型性能提高了8个点左右，仅落后Camera+LiDAR性能5个点。

下表是不同毫米波雷达参数设置对多模态模型性能的影响。

• 访问与每个雷达点相关的元数据，这包括速度等信息，有助于区分移动对象和背景，反之将降低0.7点。
• 将所有雷达返回作为输入，通过禁用nuScenes内置的异常值过滤策略实现。过滤策略试图丢弃异常点（由多径干扰和其他问题产生），但也可能丢弃一些真实的返回。使用过滤数据而不是原始数据会导致性能下降2点。
• 将雷达的多次扫描聚合作为输入能提高2.6个点。