有点意思，
看来用2d静态方法是吃力不讨好，
在3d动态（序列）中分割和识别才接近视觉的本质，而且可能更高效，
还有另外一个好处，直接获得了物体的速度矢量。

【 在 hsv 的大作中提到: 】
: 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。
: 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……
--
FROM 101.88.5.*