对，8个摄像头的特征通过transformer，变换到了bird view的特征向量，特征向量后面接分类、测速、分割等各子网络。

【 在 zwordcn 的大作中提到: 】
: 这个 transformer 指的是图像处理的中的 转换？
: 还是类似 nlp 中的长程相关处理？
对，借用nlp的transformer，把图像分块embedding，有transformer得到特征，后续可以分类/分割/检测，去年有ViT，今年有Swin，已经取代了原来one-stage/two-stage目标检测算法，开始再cv领域屠榜了……

: tesla ai day 的视频没细看。
--
FROM 106.39.67.*