說到純視覺的自動駕駛方案，大家第一個想到的就是Tesla吧。的確，早在2021年，Tesla就已經(jīng)實現(xiàn)了純視覺的BEV檢測方案，而且效果非常好。

細心的同學可能發(fā)現(xiàn)了，這套BEV方案中將相機空間的圖像轉(zhuǎn)換到BEV空間的核心組件就是Transformer。

Transformer來源于自然語言處理領(lǐng)域，首先被應(yīng)用于機器翻譯。后來，大家發(fā)現(xiàn)它在計算機視覺領(lǐng)域效果也很不錯，而且在各大排行榜上碾壓CNN網(wǎng)絡(luò)。

目標檢測領(lǐng)域中，視覺Transformer不僅可以實現(xiàn)2D檢測、3D檢測，還可以實現(xiàn)多模態(tài)檢測，BEV視角下的檢測，性能也非常出色。

因此，掌握Transformer相關(guān)知識和工程基礎(chǔ)成為了企業(yè)招聘算法工程師的一個技能要求點，也是簡歷上的一個很大的加分項。

然而，想要掌握基于Transformer的目標檢測算法，有以下3個難點：

理解Transformer背后的理論基礎(chǔ)，比如自注意力機制（self-attention）, 位置編碼（positional embedding），目標查詢（object query）等等，網(wǎng)上的資料比較雜亂，不夠系統(tǒng)，難以通過自學做到深入理解并融會貫通。

掌握基于Transformer的目標檢測算法的思路和創(chuàng)新點，一些Transformer論文涉及的新概念比較多，話術(shù)沒有那么通俗易懂，讀完論文仍然不理解算法的細節(jié)部分。

2

Transformer代碼不易看懂，因為作用機制與CNN有不少差別，所以完全理解代碼并實踐應(yīng)用需要花費很大功夫。

3

那么如何學習基于Tansformer的目標檢測算法呢？

實踐部分

審核編輯：劉清