في الآونة الأخيرة، قدّمت رؤية منظور الطائر (BEV) القائمة على الكاميرا فقط حلاً عمليًا للقيادة الذاتية الاقتصادية. ومع ذلك، فإن الكاشفات الثلاثية الأبعاد القائمة على BEV الحالية تقوم عادةً بتحويل جميع ميزات الصور إلى ميزات BEV، دون أخذ بعين الاعتبار المشكلة التي قد تُغطّي فيها النسبة الكبيرة من المعلومات الخلفية معلومات الكائنات. في هذا البحث، نقترح تقنية تُسمى "تجميع BEV المُتَحَسِّس للسياق (SA-BEVPool)"، التي تُمكّن من تصفية المعلومات الخلفية بناءً على تقسيم السياق في ميزات الصور، وتحويل ميزات الصور إلى ميزات BEV مُتَحَسِّسة للسياق. وبهذا الشكل، نقترح استراتيجية تدعى "BEV-Paste"، وهي استراتيجية فعّالة للتوسيع البيانات، وتتماشى بشكل وثيق مع ميزات BEV المُتَحَسِّسة للسياق. بالإضافة إلى ذلك، صممنا رأسًا متعدد المقاييس عبر المهام (MSCT)، الذي يدمج بين المعلومات المخصصة للمهمة والمعلومات المشتركة بين المهام، بهدف التنبؤ بتوزيع العمق وتقسيم السياق بدقة أكبر، مما يُحسّن بشكل إضافي جودة ميزات BEV المُتَحَسِّسة للسياق. وأخيرًا، قمنا بدمج هذه الوحدات السابقة في إطار جديد للكشف عن الكائنات ثلاثية الأبعاد من عدة زوايا، يُعرف باسم SA-BEV. أظهرت التجارب على مجموعة بيانات nuScenes أداءً متميزًا على مستوى الحد الأقصى (state-of-the-art). ويمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/mengtan00/SA-BEV.git.