Zoe-Wan
commented
11 hours ago 我的理解是Object-Centric就是关注每个object在时序中的变化吧，所以用历史的object feature对做query。 BEV方法（例如videobev）只是单纯把历史帧的特征concat或者propagate到当前帧中，考虑到BEV的特征图不是每一块/像素都含有有助于3d检测的语义的，所以存在冗余信息，并且计算量比较多。 然后perspective（例如petr v2）的方法也是一样，在设计query的时候并没有考虑历史信息。它的时序部分在于考虑了ego车辆运动导致的3d坐标系偏移（也就是这篇文章里提到的MLN）；以及在当前帧的query也和历史perspective feature进行交叉注意力运算。虽然可能这里的query用了某些方法使其变得稀疏（具体去看petr v2）但是由于要一直保存历史perspective的featrue（重复内容多），在长时间的情况下开销大。（虽然也不见得，因为论文中petrv2的实验好像也就考虑了两帧，但是如果考虑得更多那么确实开销很大） object centrc就是从object的角度来使用这个时序信息，即 不保存历史的perspective feature，而是保存历史object feature。使用历史的object featrue来指导当前帧query的生成。当然，每帧肯定还会有新object被识别，因此除了依历史object生成的query之外还需要和普通识别那样初始化新的query（就是论文里的initial query）。
您好，请问为什么是以Object-Centric的目标检测方法呢，文中将其与BEV时序以及perspective时序进行了比较，不过没有琢磨明白什么叫做以Object-Centric的目标检测呢？盼复，谢谢