ODTFormer：基于 Transformer 的立体相机高效障碍物检测和跟踪
原文中文，约1300字，阅读约需4分钟。
📝
内容提要
本文介绍了基于Transformer架构的3D多目标跟踪和占据预测方法，如3DMOTFormer、occTransformer和OcTr。这些方法通过创新的在线训练策略和特征处理技术，提升了自动驾驶和视觉感知任务的性能，并在相关数据集上表现优越。
❓
Q&A
3DMOTFormer 是什么？
3DMOTFormer 是基于 Transformer 架构的 3D 多目标跟踪框架，通过边分类进行数据关联，并采用新颖的在线训练策略。
occTransformer 的主要应用是什么？
occTransformer 主要用于自动驾驶挑战中的 3D 占据预测，基于 BEVFormer 模型提升性能。
OcFormer 有什么优势？
OcFormer 是一种双路径 Transformer 网络，在语义完整性和 LiDAR 语义分割方面优于现有方法。
TrackFormer 是如何实现多目标追踪的？
TrackFormer 利用编码器-解码器架构和注意力机制实现帧到帧的数据关联，能够自回归地跟踪现有轨迹并初始化新轨迹。
Obstacle-Transformer 的创新点是什么？
Obstacle-Transformer 通过周围轨迹设计障碍物预测轨迹，验证了其在 ETH 和 UCY 数据集上的有效性。
OcTr 方法的特点是什么？
OcTr 是基于八叉树的 Transformer 方法，通过动态构建八叉树实现对远距离或遮挡物体的有效检测。
🏷️
