BEVFormer v2：通过视角监督将现代图像主干网络适配至鸟瞰图识别

我们提出了一种新型的鸟瞰图（Bird's-Eye-View, BEV）检测器，该检测器采用透视空间监督机制，具有更快的收敛速度，并更适配现代图像主干网络。现有的先进BEV检测器通常依赖于特定的深度预训练主干网络（如VoVNet），这限制了蓬勃发展的图像主干网络与BEV检测器之间的协同优化。为解决这一局限性，我们通过引入透视空间监督，优先降低BEV检测器的优化难度。为此，我们设计了一种两阶段BEV检测框架：由透视空间头部生成的候选区域被送入鸟瞰图头部，用于最终的预测输出。为验证所提方法的有效性，我们开展了广泛的消融实验，重点考察监督形式的设计以及所提检测器的通用性。实验结果表明，该方法在多种传统与现代图像主干网络上均表现出色，并在大规模nuScenes数据集上取得了新的最先进（SoTA）性能。相关代码即将开源。