.png){kind=icon}
返回
Improved BEVFormer for Complex Object Detection in Autonomous Driving
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4821-7_21.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实现从环视相机进行准确高效的3D目标检测仍然是自动驾驶领域的关键挑战，尤其是在计算资源受限的复杂场景中。本文重新审视了BEVFormer，并引入两项关键改进以提高精度和推理速度。首先，提出了一种自适应BEV网格密度机制，其中可变形卷积动态重新分配空间分辨率。其次，采用深度可分离卷积重新设计了BEV编码器，以替代标准的Self-Attention和FFN堆栈。在nuScenes、Waymo和KITTI数据集上的实验表明，改进后的BEVFormer在nuScenes上达到63.2%的mAP和75.1%的NDS，优于BEVFormer、CenterPoint和PVRCNN，同时在RTX 3090上运行速度为30 FPS。在多样化硬件平台上一致的性能提升验证了该方法适用于资源受限的部署。
Keyword:
3D object detection
BEV
Deformable Convolution
Adaptive Grid
Depth-wise Separable Convolution
Lightweight Network
期刊
A
IF:
0
论文数:
26
被引数:
0
机构
引用论文
MDWConv:CNN based on multi-scale atrous pyramid and depthwise separable convolution for long time series forecastingMDWConv: 基于多尺度atrous金字塔和深度可分离卷积的CNN，用于长时间序列预测.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Underwater object detection algorithm integrating image enhancement and deformable convolution融合图像增强和可变形卷积的水下目标检测算法
OAAI
OAAI分享收藏Yu, S.; Wang, X.; Ci, Y.; Li, Y.; Zhou, M.; Dong, X.; Cai, M. MSPE-Fusion: A multimodal 3D object detection method with multi-sensor perception enhanced fusion. Neurocomputing 2025, 645, 130486. [Google Scholar] [CrossRef]Yu, S.; Wang, X.; Ci, Y.; Li, Y.; Zhou, M.; Dong, X.; Cai, M. MSPE-Fusion：一种多模态3D目标检测方法，该方法通过多传感器感知增强融合实现。Neurocomputing 2025, 645, 130486. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏C2L3-Fusion: An Integrated 3D Object Detection Method for Autonomous VehiclesC2L3-Fusion：一种用于自动驾驶车辆的集成式3D目标检测方法SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏SOFW: A Synergistic Optimization Framework for Indoor 3D Object DetectionDai, K.; Jiang, Z.; Xie, T.; Wang, K.; Liu, D.; Fan, Z.; Li, R.; Zhao, L.; Omar, M. SOFW: 一种用于室内3D目标检测的协同优化框架。IEEE Trans. Multimed. 2025, 27, 637–651. [Google Scholar] [CrossRef]
PREAI
分享收藏 没有更多内容
没有更多内容