Yinhao Li Zheng Ge Guanyi Yu Jinrong Yang Zengran Wang Yukang Shi Jianjian Sun Zeming Li

摘要

在本项研究中，我们提出了一种基于摄像头的鸟瞰图（Bird's-Eye-View, BEV）3D目标检测新方法——BEVDepth，其核心特点在于具备可信的深度估计能力。我们的工作基于一个关键观察：尽管深度信息对于基于摄像头的3D目标检测至关重要，但现有方法中的深度估计性能却出人意料地不足。为此，BEVDepth通过引入显式的深度监督机制，有效解决了该问题。同时，我们设计了具有摄像头感知能力的深度估计模块，以进一步提升深度预测的准确性。此外，为缓解因特征反投影不精确所引发的副作用，我们提出了一种新颖的深度精炼模块（Depth Refinement Module）。结合定制化的高效体素池化（Efficient Voxel Pooling）机制与多帧信息融合策略，BEVDepth在具有挑战性的nuScenes测试集上取得了60.9%的NDS（NuScenes Detection Score）新纪录，同时保持了较高的运行效率。这是首次有纯摄像头模型在nuScenes测试集上达到60%的NDS分数，标志着基于视觉的3D检测性能的重要突破。