本文介绍了使用车载摄像头拍摄的 RGB 图像进行鸟瞰视角像素级别的物体语义分割的方法，为了解决这个问题，提出了一种新的两阶段感知管道，它明确预测像素深度，并将它们与像素语义结合起来进行有效的推断，同时，使用抽象的高层几何特征进行转移学习，方法能够提高24%的mIoU。

Jun, 2020

本文介绍了BEVSegFormer，一种有效的基于转换器的方法，用于从任意摄像机装置进行BEV语义分割。

Mar, 2022

本文提出了新的BEVFormer框架，该框架学习使用时空变形器的统一BEV表示，以支持多个自主驾驶感知任务。在nuScenes测试集中，该方法达到了56.9％的最新技术水平，且在低能见度条件下显着提高了速度估计和对象召回的准确性。

Mar, 2022

本研究提出BEVFusion，这是一种有效和通用的多任务多传感器融合框架，通过在共享的鸟瞰图表示空间中统一多模态特征，从根本上支持不同的3D感知任务，并在nuScenes上创立了新的技术水平

May, 2022

本文提出了CoBEVT，这是一个通用的多代理多摄像头感知框架，能够协同生成BEV地图预测。在V2V感知数据集OPV2V上的广泛实验表明，CoBEVT实现了合作BEV语义分割的最先进性能。此外，CoBEVT还可应用于其他任务，包括单代理多摄像头的BEV分割和多代理LiDAR系统的3D对象检测，实现了实时推理速度和最先进的性能。

Jul, 2022

本文综述了关于Bird's-eye-view（BEV）感知的最新研究工作，探讨了多传感器融合、BEV视角下物体检测与定位等关键问题，并介绍了一系列实用的指南和工具来提高BEV任务的性能，最后指出了该领域未来的研究方向。

Sep, 2022

本文介绍了一种Semantic-Aware BEV Pooling (SA-BEVPool)的方法，通过语义分割图像特征来过滤背景信息，并将图像特征转化为语义感知的BEV特征。同时，提出了一种与语义感知BEV特征相匹配的有效数据增强策略BEV-Paste。此外，设计了一个多尺度交叉任务头（MSCT），结合特定任务和交叉任务的信息来更准确地预测深度分布和语义分割，进一步提高语义感知BEV特征的质量。最后，将这些模块整合到一个新的多视角3D目标检测框架SA-BEV中，在nuScenes数据集上达到了最先进的性能。

Jul, 2023

将鸟瞰视图中的语义分割任务分解为BEV地图重建和RGB-BEV特征对齐两个阶段，通过将RGB输入图像映射到第一阶段的BEV潜在空间，并在特征级别上直接优化两个视图之间的相关性，实现了复杂和具有挑战性场景的有效处理。

Apr, 2024

通过创建综合道路类型、天气和光照条件的合成数据集，并使用具有失真感知学习的鱼眼摄像机，将基于BEV的语义分割通用化，进一步引入遮挡推理模块，以提高BEV空间的性能。

Apr, 2024

本研究解决了现有鸟瞩视图分割模型在多样环境和传感器设置下的泛化性能问题，该领域目前多集中于单一数据集上的神经网络模型优化。通过跨数据集评估和多数据集训练实验，本文展示了不同传感器对模型表现的影响，强调了增强模型适应性的重要性，以提升自主驾驶中鸟瞩视图分割的可靠性。

Aug, 2024