激光雷达三维物体目标检测是自动驾驶感知中的重要一环。伴随着 Transformer 在图像领域中的快速发展，如何在大规模激光雷达点云数据上，高效的使用 Transformer 结构来提升网络的性能给这个方向带来了新的挑战。相比于传统的方法，Transformer 中的注意力机制可以帮助网络捕捉到更多的全局和上下文信息。

来自图森未来和中佛罗里达大学的研究者们，在 ECCV 2022 的工作中提出了一种基于中心点的激光雷达物体检测 Transformer 网络 CenterFormer。CenterFormer 将三维物体检测划分成了两个步骤：首先，在三维网格空间内使用热力图来挑选候选的物体中心点；然后，用这些候选中心点的特征信息来作为 Transformer 中的 query 来进一步增强物体的特征信息并预测边界框信息。

同时，为了进一步融合来自时序的特征，他们也设计了一种通过 Transformer 中交叉注意力来融合特征的方法，并添加回归头来预测输出中心特征表示的边界框，该设计降低了 Transformer 结构在激光雷达点云上的收敛难度和计算复杂度。结果表明，在无锚目标检测网络的强基线方面有显着改进。

CenterFormer 在 Waymo 开放数据集上实现了单个模型的最高性能，验证集的 mAPH 为 73.7%，测试集的 mAPH 为 75.6%，显着优于所有先前发布的 CNN 和基于Transformer的方法。该成果也已被收录为 ECCV 2022 Oral。

2月3日上午10点，「自动驾驶新青年讲座」第14讲邀请到中佛罗里达大学在读博士、CenterFormer一作周子翔参与，主讲《基于 Transformer 激光雷达 3D 目标检测网络 CenterFormer》。