---

核心类比：一家承接城市地图绘制的建筑公司

• 实例级查询 (Instance-level Queries) -> 50位“首席建筑师”
  • 职责: 每位建筑师负责一个潜在的地图元素（如一条完整的车道线）。他的任务是确定项目的整体定位和类型（“我要建的是什么，大概在哪儿”）。
• 点级查询 (Point-level Queries) -> 一支20人的“精英测量小组”
  • 职责: 这个小组是标准化的专家团队，每位成员都擅长定位项目中一个特定的点（如起点、中点、转折点等）。他们是共享资源，提供“如何精确描绘形状”的专业技能。
• 分层查询 (Hierarchical Queries) -> 组建50个“项目团队”
  • 过程: 在开工前，公司为每一位建筑师都完整地配备了一支测量小组。通过将建筑师和测量员的信息相加，形成了50个项目团队，共计1000名“专业人员”（50 * 20个分层查询）。每个团队的目标都非常明确：负责绘制一个特定地图元素的精确形状。
• BEV特征图 (BEV Feature Map) -> 施工现场的“地形勘探图”
  • 来源: 由车载摄像头的图像，经过ResNet (眼睛)提取特征，再通过BEV转换模块投影到统一的鸟瞰图视角下，形成的一张富含信息的“地形图”。
• Transformer解码器 -> 项目的“中央协调指挥部”
  • 工作: 这里上演着一场盛大的“记者采访会”。
    • 提问: 每个项目团队的成员（分层查询）都化身为记者，拿着自己的采访提纲 (Q)。
    • 采访: 他们同时向整个“地形图”（BEV特征）进行“采访”。地形图上的每个位置都会亮出自己的名牌 (K) 来表明身份。
    • 聆听: 记者通过对比自己的提纲(Q)和所有位置的名牌(K)，计算出注意力权重（“哪里与我的问题最相关”）。
    • 记录: 根据注意力权重，有选择性地从每个位置的详细稿件 (V) 中提取信息，并聚合成一份精华摘要，用来更新自己。
  • 经过多轮“头脑风暴”和信息交换，每个团队成员都对自己的任务有了深刻、全局的理解。
• 输出头 (Output Heads) -> “成果翻译与交付部”
  • 职责: 将指挥部里高度抽象的“会议纪要”（最终的查询向量）翻译成客户能看懂的成果。
  • 分类翻译官: 通过聚合一个项目团队所有成员的信息，判断出这位建筑师负责的项目类别（如“车道线”）。
  • 坐标翻译官: 逐一解析团队里每一位测量员的最终报告，输出他们负责的那个点的精确(x, y)坐标。

---

维度计算全流程展示 (以d_model=256为例)

1. 输入:
   • q_instance: [50, 256]
   • q_point: [20, 256]
   • BEV Features: [H, W, 256] -> 展平后为 [N, 256] (其中 N = H * W)
2. 分层查询组合:
   • 通过广播机制相加，得到 q_hie: [50, 20, 256] -> 展平后为 [1000, 256]
3. Transformer解码器中的注意力计算 (Attention Layer):
   • q_hie ([1000, 256]) 送入 Q网络 (权重W_Q为[256, 256]) -> Q: [1000, 256]
   • BEV Features ([N, 256]) 送入 K网络 (权重W_K为[256, 256]) -> K: [N, 256]
   • BEV Features ([N, 256]) 送入 V网络 (权重W_V为[256, 256]) -> V: [N, 256]
   • 计算注意力权重: Q ([1000, 256]) 与 K的转置 ([256, N]) 相乘 -> Attention Scores: [1000, N]
   • 聚合信息: Attention Scores ([1000, N]) 与 V ([N, 256]) 相乘 -> Updated Queries: [1000, 256]
4. 输出头 (Output Heads):
   • 输入: 最终的q_hie_final: [1000, 256] -> 重塑为 [50, 20, 256]
   • 分类头:
     • 聚合操作 (如对20个点取平均): [50, 20, 256] -> q_agg: [50, 256]
     • 送入分类FFN (权重W_cls为[256, num_classes]) -> Class Probs: [50, num_classes]
   • 回归头:
     • 将q_hie_final ([50, 20, 256]) 直接送入回归FFN (权重W_reg为[256, 2]) -> Coordinates: [50, 20, 2]

---

关于ResNet和特征图大小

“ResNet理论上特征图越大，它能看得越清楚，特征图越小看得就越不清楚，比较模糊，在这篇论文中我们使用了多大的特征图大小？”

您的理论完全正确！特征图的分辨率直接影响模型对细节的感知能力。

在论文附录A的Model Setting部分，他们给出了答案：

• 原始输入图像大小: 1600 x 900
• MapTR-tiny的图像缩放比例: 0.5 -> 输入图像变为 800 x 450
• MapTR-nano的图像缩放比例: 0.2 -> 输入图像变为 320 x 180
• BEV网格大小 (size of each BEV grid):
  • MapTR-tiny: 0.3m
  • MapTR-nano: 0.75m

这里的BEV网格大小是关键。ResNet输出的特征图最终会被投影到这个BEV网格上。

• 对于MapTR-tiny，0.3m意味着鸟瞰图中的每个“像素”代表了真实世界中 0.3米 x 0.3米 的区域。这已经是一个比较高的分辨率了，能看得比较清楚。
• 对于MapTR-nano，0.75m的分辨率就低了很多，每个像素代表的区域更大，细节自然会更模糊。这也是它速度更快但精度稍低的原因之一。

虽然论文没有直接给出BEV特征图的像素维度（比如200x100），但我们可以根据感知范围和网格大小推断出来。nuScenes数据集的感知范围通常是前后-50m到50m（Y轴），左右-50m到50m（X轴）。如果以一个简化的60m x 30m范围为例：

• MapTR-tiny的BEV特征图大小: 大约是 (60/0.3) x (30/0.3) = 200 x 100 像素。
• MapTR-nano的BEV特征图大小: 大约是 (60/0.75) x (30/0.75) = 80 x 40 像素。

这清晰地表明了，为了追求速度，nano版本牺牲了BEV特征图的分辨率，使其看得“更模糊”一些。