点云自监督学习(MAE，持续更新)PointMAE论文链接 PointMAE代码链接 PointMAE讲解链接 Point-BERT论文链接 Point-BERT代码链接 Point-BERT讲解链接 PointBERT pipelin

终端神器tmux:多任务管理大师tumx是什么命令行的典型使用方式是，打开一个终端窗口（terminal window，以下简称”窗口”），在里面输入命令。用户与计算机的这种临时的交互，称为一次”会话”（session）。 会话的一个重要特

Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation（未完待续）摘要由于三维点云的标注很少，如何学习点云的区分特征来分割目标实例是

Superpoint Transformer for 3D Scene Instance Segmentation（未完待续）论文地址代码地址论文解读 摘要现有的大多数方法通过扩展用于3D对象检测或3D语义分割的模型来实现3D实例分割。然而

Learning Superpoint Graph Cut for 3D Instance Segmentation （未完待续）论文地址代码地址(待发布) 摘要由于点云中目标的复杂局部几何结构，3D实例分割是一项具有挑战性的任务。在本文中

Efficient LiDAR Point Cloud Oversegmentation Network论文地址补充材料代码地址(待发布) 摘要点云过分割是一项具有挑战性的任务，因为它需要产生具有感知意义的点云分区(即超点)。现有的大多数过

BEVDet系列BEVDet系列源码解读BEVDet网络结构BEVDet4D 强大而不失优雅的三维目标检测范式BEVDet4D讲解 BEVDet4D: Exploit Temporal Cues in Multi-camera 3D Obj

弱监督下的BEV检测和占据预测(部分汇总)Weakly Supervised Class-agnostic Motion Prediction for Autonomous Driving论文链接 代码链接 了解动态环境中的运动行为对于自动

BEVFormer学习总结（结合代码）论文链接中文论文链接代码链接万字长文理解BEVFormer手撕BEVFormer视频BEVFormer代码流程梳理1BEVFormer代码流程梳理2nuscenes数据集介绍Transformer学习笔

BEV感知中的时序融合方法（部分待更新）参考链接 首先展示目前的融合时序的BEV感知算法 在传统感知算法中,时序融合是提高感知算法准确性和连续性的关键,可以弥补单帧感知的局限性,增加感受野,改善目标检测(Object Detection