streampetr 用有限帧训练、长帧推理做纯视觉 3D 检测
ICCV 2023 收录的论文《StreamPETR: Exploring Object-Centric Temporal Modeling for Efficient Multi-View 3D Object Detection》提出 streampetr，作者来自北京理工大学和旷视。方法的关键词是 object-centric 时序建模，任务是多视角 3D 目标检测，输入只有图像，不依赖激光雷达。
streampetr 的设计针对视频流。按 2023 年 7 月 17 日知乎文章的说法，训练时用可选择的有限帧，测试时可以适应更长的时间帧，乃至无限帧。这和把每一帧单独送进检测器的做法不同：时序信息在目标查询层面建模，而不是简单堆叠多帧特征。CSDN 在 2023 年 7 月 26 日的文章里把这条路线概括为“不使用未来帧”的时序建模，强调效率。训练帧数和测试帧数不一致，是视频流检测里常见的工程问题；streampetr 把测试帧数放开，意味着同一套权重可以面对不同长度的历史窗口。
传播节奏也能看出这条路线受到的关注。2023 年 7 月 17 日，知乎文章标题直接写“纯视觉持平Lidar”；7 月 26 日 CSDN 发文介绍 ICCV 2023 结果；8 月 15 日又出现论文讲解和代码解析。标题里的“持平”是文章作者的说法，论文本身的具体精度数字在现有材料中没有展开，但纯视觉方案与激光雷达的对比，一直是自动驾驶感知里被反复讨论的题目。现有材料也没有给出推理速度、参数量和具体数据集上的 mAP，因此“持平”的边界条件还需要看论文原文。
到 2024 年 10 月 18 日，掘金出现 streampetr 的复现详解。文章提到，作者比较了 streampetr 与之前一些最先进的视觉 3D 检测器，并给出实验结果。复现文章的出现通常说明两件事：方法有可运行的代码路径，社区开始关心训练细节和工程落地，而不只是看榜单。对 streampetr 来说，有限帧训练、长帧推理的设定能否在真实车端数据流里保持稳定，是比单次评测更实际的问题。
从 2023 年 7 月论文公开到 2024 年 10 月复现文章出现，streampetr 的讨论集中在“纯视觉能否用时序建模补上深度信息”这条线上。后续如果长帧推理的开销和稳定性得到更多公开验证，这类 object-centric 方案在量产感知栈里的位置会更清楚。
来源