本文目录一览：

• 1、YOLOv4论文解析+实测
• 2、一文读懂Centerpoint,点云目标检测保姆级教程
• 3、BEVDepth:为多视图的3D目标检测获取可靠深度值

YOLOv4论文解析+实测

在MS COCO数据集上，Yolov4达到了45%的AP，且其运行速度非常快，使用Tesla V100时可达约65FPS。对比EfficientDets，相同AP下，Yolov4的FPS表现几乎为后者两倍，但精度方面，Yolov4略逊于EfficientDets。论文解析概述了目标检测方法论，详细阐述了Yolov4的架构与策略。

综上所述，YOLO-V4论文详细阐述了Mosaic数据增强、Mish激活函数、Dropblock正则化、FPN+PAN结构以及损失函数演进等方面的技术创新，这些技术共同推动了目标检测领域的进步。YOLO-V4在提升检测精度、适应复杂场景方面表现出色，是目标检测领域值得深入研究的优秀工作。

作者对模型的贡献包括：选择CSPDarknet53骨干网、SPP附加模块、PANet作为neck和YOLOv3（anchor-based）head，以及使用DropBlock作为正则化方法。在其他方面，YOLOv4进行了优化，如Mosaic数据增强，使得信息量更大，等于变相增大了batch size，以及Self-Adversarial Training (SAT) 方法，使模型更鲁棒。

一文读懂Centerpoint,点云目标检测保姆级教程

首先，模型将输入点云进行体素化处理，将其划分为一系列大小相等的长方体网格，例如设定一个范围[-100， -20， -2， 100， 20， 2]，然后切割成无数小格子，每个网格限制点数，以保持信息量的效率。接着，利用HardSimpleVFE方法提取体素特征，通过求平均值来代表网格内的点特征。

该算法在激光点云3D目标检测与跟踪方面具有创新性，摒弃了使用边界框的传统方法，转而采用关键点来表示、检测和跟踪3D目标。CenterPoint算法包括两个阶段：第一阶段，使用关键点检测器检测目标的中心点；第二阶段，根据中心点特征回归目标的3D尺寸、朝向和速度等属性。目标跟踪简化为一个最近点匹配过程。

在3D目标检测中，CenterPoint使用标准3D骨干从激光雷达点云中提取地图视图特征表示，并结合2D CNN架构检测中心点，使用中心特征回归到完整3D边界框。在推理过程中，通过索引到每个对象峰值位置的密集回归头输出提取所有属性。网络的3D编码部分使用现有的网络模型，提供VoxelNet与PointPillar两种主干网实现方式。

BEVDepth:为多视图的3D目标检测获取可靠深度值

1、BEVDepth论文提出了一种用于基于摄像头的BEV 3D目标检测的深度估计方法，旨在获得可靠深度值，该方法由来自旷视科技、华中理工和西安交大的研究者于2022年6月21日发布在arXiv上。BEVDepth通过利用编码的内外参获得显式深度监督信号，并引入深度校正子网络来抵消深度真值中投影导致的干扰。

2、BEVDepth 题：《BEVDepth： Acquisition of Reliable Depth for Multi-view 3D Object Detection》提供了一种方法来获取多视图3D对象检测的可靠深度信息。BEVDet 题：《BEVDet： High-performance Multi-camera 3D Object Detection in Bird-Eye-View》专注于鸟瞰图下的高性能多相机3D目标检测。

3、融合多个传感器数据的BevFusion是性能提升的又一重要步骤，它通过多传感器的协同工作，增强了检测的精度。DETR3D则在多视角图像上开辟了新的路径，通过连续深度预测构建出BEV空间，物体检测更为精准。值得一提的是，DETR3D通过object query查询图像特征，将目标特征与像素点紧密关联，展示了智能的物体检测方法。

4、BEVDepth：为解决深度预测不准确问题，引入深度作为监督，提升纯视觉方案LSS方法的性能。BEVerse：采用多任务学习，结合3D检测、运动预测和语义分割，通过多帧融合和LSS结构生成BEV特征，多个任务协同学习，性能超越单任务。

5、当前3D目标检测算法根据输入图像数量分为单目相机和多目相机两类。多目相机方法更为主流，因为它们通过环视相机收集的信息投影到BEV空间，实现全面的环境感知。然而，单目相机的深度预测策略依然值得多目相机算法借鉴。因此，本文将详细探讨基于单目相机的3D目标检测算法——CaDDN。