Einäugige 3D-Detektoren erzielen bemerkenswerte Leistungen bei der Erkennung von Fahrzeugen und kleineren Objekten. Bei größeren Objekten sinkt jedoch ihre Leistung, was zu tödlichen Unfällen führen kann. Einige Fachleute sehen die Ursache dieser Versagensfälle in der Knappheit des Trainingsdatensatzes oder den spezifischen Rezeptionsfeldanforderungen für große Objekte. In dieser Arbeit beleuchten wir dieses wenig untersuchte Problem der Generalisierung auf große Objekte. Wir stellen fest, dass moderne frontale Detektoren auch bei fast ausgewogenen Datensätzen Schwierigkeiten haben, große Objekte zu erkennen. Wir argumentieren, dass das Versagen an der Empfindlichkeit von Tiefenregressionsverlustfunktionen gegenüber dem Rauschen großer Objekte liegt. Um diese Lücke zu schließen, untersuchen wir Regression- und Dice-Verlustfunktionen umfassend hinsichtlich ihrer Robustheit bei unterschiedlichen Fehlergraden und Objektgrößen. Mathematisch beweisen wir, dass der Dice-Verlust für eine vereinfachte Situation eine bessere Rauschrobustheit und Modellkonvergenz für große Objekte bietet im Vergleich zu Regressionsverlustfunktionen. Auf Basis unserer theoretischen Erkenntnisse schlagen wir SeaBird (Segmentierung in Vogelperspektive) als ersten Schritt zur Generalisierung auf große Objekte vor. SeaBird integriert effektiv die Segmentierung im Bird’s Eye View (BEV) auf Vordergrundobjekten für die 3D-Erkennung, wobei der Segmentierungshead mit dem Dice-Verlust trainiert wird. SeaBird erzielt Top-Resultate auf dem KITTI-360-Leaderboard und verbessert bestehende Detektoren auf dem nuScenes-Leaderboard, insbesondere bei großen Objekten. Der Quellcode und die Modelle sind unter https://github.com/abhi1kumar/SeaBird verfügbar.