摘要

本文提出了一种用于多视角三维目标检测的位置嵌入转换方法（Position Embedding Transformation, PETR）。PETR 将三维坐标的位置信息编码至图像特征中，生成具备三维位置感知能力的特征表示。通过该特征，对象查询（object query）能够感知三维位置信息，从而实现端到端的三维目标检测。在标准的 nuScenes 数据集上，PETR 取得了当前最优的性能表现（NDS 达到 50.4%，mAP 达到 44.1%），并在该基准测试中位列第一。该方法可作为未来研究中一个简洁而强大的基线模型。代码已开源，地址为：\url{https://github.com/megvii-research/PETR}。