lss

Lift, Splat, Shoot：自动驾驶多视图相机的 BEV 语义表示学习在自动驾驶领域，感知系统的核心目标是从多传感器数据中提取语义信息，并将其融合到统一的 “鸟瞰图（Bird's-Eye-View, BEV）” 坐标系中，为后续的运动规划模块提供决策依据。传统计算机视觉算法要么输出与坐标系无关的分类结果，要么在输入图像的同一坐标系中进行预测（如目标检测、语义分割等），这与自动驾驶中 “多传感器输入 - 统一 BEV 输出” 的需求存在本质脱节。

BEV学习---LSS-1：论文原理及代码串讲目前在自动驾驶领域，比较火的一类研究方向是基于采集到的环视图像信息，去构建BEV视角下的特征完成自动驾驶感知的相关任务。所以如何准确的完成从相机视角向BEV视角下的转变就变得由为重要。目前感觉比较主流的方法可以大体分为两种：

【MLP-BEV(4)】BEVDepth论文和代码分析，第一个对深度质量如何影响整个LSS BEV系统进行彻底分析的论文，显式深度监督继lift-splat-shoot之后，旷视科技的BEVDepth 最近在低算力平台部署看到供应商有很多的落地了。基于 View-transformation 主流算法方法包括 LSS（Lift，Splat 和 Shoot）和 Transfomer 等：

我是有底线的