〇、前言
关于环视相机到BEV的转换是视觉BEV感知的难点。主流方法有深度估计LSS，以及基于深度学习的方法，比如利用transformer把multi-camera转换成BEV的BEVFormer，这也是今天介绍的对象。
说到BEVFormer就不得不说到Deformable DETR，因为BEVFormer中的deformable attention来自于Deformable DETR，而说到Deformable DETR就不得不说到DETR，因为Deformable DETR中利用transformer完成图像目标检测的思路来自DETR，所以，这篇博客介绍的顺序是DETR→Deformable DETR→BEVFormer。
一、DETR
DETR是利用transformer完成2D图像目标检测的经典之作。
架构如图所示，主要分为三个部分（1）一个CNN主干（2）标准的transformer的encoder和decoder（3）检测头。整体流程如下：
（1）.把输入图像（h，w）先经过一个CNN backbone的处理，生成原始的图像降低分辨率后的特征。特征CHW分别为（2048，h/32，w/32）为了方便后面的transformer处理，把特征拉伸成（1×HW）的query。进入encoder之前加上位置编码。
（2）.encoder就还是原始的没有改变，encoder中的q和k都是图像的特征图，从encoder中输出的特征就是编码完成的特征了。而decoder依然有两个输入和两个注意力模块，N个目标query从下面平行输入（依然要加位置编码，但不是自回归了），经过自注意力后输出作为交叉注意力的q，而encoder的输出作为交叉注意力的k。注意，这段看不懂的去看一下transformer。
（3）.最后是检测头，经过FFN和softmax之后，就可以预测出bounding box（x,y,w,h）了。
虽然这个方法把transformer植入到目标检测中去，省去了很多设计的细节，但是由于多次的全局自注意力和交叉注意力的使用（没有筛选，全都要算注意力），导致了检测性能低，收敛速度慢。于是便有了Deformable DETR。
二、Deformable DETR
Deformable DETR，像名字中展示的那样，使用了deformable attention，一种可以只关注一小部分的关键采样点的注意力机制。获得了更好的检测性能和更快的收敛速度。结构图如下所示
在介绍模型的处理流程之前，我们先了解一下什么模型中多次用到的deformable attention module到底是什么，先上图：
这幅图也是整个方法的核心，它与普通的attention module的区别就在于：普通的attention module会查看全局的特征，而deformable attention module只会关注一小部分关键的有用的采样点，从而提高性能，加快收敛。可以看到，上图展示的有两个值得注意的地方，一个是sampling offset，另一个是attention weight。当我从输入的特征图中确定了要处理的query之后，这个query就作为这次处理的reference point。然后：
（1）.以这个点位参考，去找与他相对位置为△Pmlqk的点来做注意力处理（自注意力或交叉注意力）。
（2）.做完之后需要分配每个点的权重值，通过权重值来表示每个点的重要程度。这个权重值attention weight也是需要学习的参数。
注意：文章中又提到的multi-scale deformable attention module实际就是多尺度采样。
知道了deformable attention module是什么东西之后，下面就可以看这篇文章的架构了。
我这里把它分成四个部分：（1）CNN backbone（2）encoder（3）decoder（4）head，具体流程如下：
（1）利用ResNet提取多尺度图片特征图。
（2）encoder的输入是上一步backbone的输出，encoder中的注意力模块用multi-scale deformable attention module代替，q和k均为特征图中的点。
（3）decoder既有自注意力模块，也有交叉注意力模块，其中自注意力模块不变，处理下面输入的目标query，输出作为交叉注意力的q，而encoder 的输出作为交叉注意力的k，交叉注意力模块用multi-scale deformable attention module代替。
（4）head预测bounding box
三、BEVFormer
至于为什么这么详细地介绍Deformable DETR，是因为BEVFormer跟它的结构十分相似，只做了不大的修改，我们一起来看一下。
我们先把一样的地方剔除，只看不一样的地方，这样既能融汇理解，又能减少工作量。首先backbone基本是一样的，只是这里要处理6个环视相机，把他们变成推向特征图。其次decoder和head基本是一样的，这里取消了多尺度，用了单一尺度特征输入到decoder中，并且把head中的2D bounding box变成了3D预测。这样一来，不一样的地方就只剩encoder了。至于不一样的原因，主要是因为不但涉及到编码，还涉及到视角转换，在Deformable DETR中，只是把一幅图进行encoding，不涉及视角转换，而BEVFormer中要把n个环视图编码的同时转换成BEV图。
BEVFormer 的 Encoder
按照论文所说的，编码器的创新点在于在原始transformer的注意力上改进产生了BEV query，空间交叉注意力（ spatial crossattention）和时间自注意力（temporal self-attention）。
（1）.BEVquery：任务是要建立平面中的点与BEV空间下点的关系，设BEV空间是一个HWC的序列。BEV中每个处理的点称为BEV query，维度为1×C，位置为Pxy。每个BEV中的点在现实中都有对应。
（2）.空间交叉注意力：如果计算一个BEV query与所有feature的注意力，那就是DETR做的事情，改进方法Deformable DETR中已经说了，因此这里利用Deformable attention改进的spatial cross-attention来计算注意力，即计算BEV query与其中若干个feature map中的投影点周围若干个采样点做注意力，即被选中的每一幅feature map中才用一次Deformable attention，被选中的feature map 称为Vhit。还有两个注意点：a.选Vhit是根据BEVquery的位置和n个相机的位置来对应的。由BEVquery到特征图的投影点利投影公式Ppij计算。b.因为Deformable attention是针对2D,这里面对3D时，先把BEV变为柱，然后进行多次查询，可以理解为多头，每个BEV query进行4次。
（3）.时间自注意力：移动主体目标检测中，历史信息异常重要，上一时刻的信息对这一时刻有重要的参考意义。因此这里有了时间自注意力。当有了t时刻的BEV序列和保存的t-1时刻的bev特征之后，就可以利用自注意力构建从t-1到t时刻的关联。利用上一时刻的编码结果来增强这一时刻的输入的表示。当然，这里的自注意力依然用的是Deformable attention。这样一来就把连续时间的变化利用起来了。做法是先把t-1时刻与query对齐，然后融时间自注意建立当前BEV query与上一时刻BEV特征的关系。
（4）.注意，这两者的先后顺序，是先根据上一时刻的BEV特征利用时间自注意力来增强初始化这一时刻的输入，然后把这一时刻的输入作为BEV 待查询特征query的合集，然后进行空间交叉注意力用feature来表示BEV query。这样做，与普通的堆叠相比，降低了计算成本，减少了干扰信息
（5）.得到的特征就是encoder的输出了，接下来就是用decoder解码并做预测了，挪用Deformable DETR 的后半部分，把2D预测改为3D预测即可。
总结一下，DETR是把transformer用于目标检测的经典文章，Deformable DETR利用筛选性的注意力计算方法降低了计算量。BEVformer在encoder中把多视角相机编码的同时转换为BEV视角，并做3D预测。