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

BEV感知总结参考论文和好用的工具箱：Delving into the Devils of Bird’s-eye-view Perception: A Review， Evaluation and Recipe(深入研究鸟瞰感知的魔咒：综述

BEV感知经验性的评估和可能改进的方法总结了在各种基准上实现最佳结果的技巧和最有用的实践。建立在BEVFormer之上的BEVFormer++，用于仅用于相机检测，以及从SPVCNN派生的Voxel-SPVCNN用于LiDAR分割。这些实践

BEVDet在服务器上环境搭建以及运行记录流程 创建conda虚拟环境： conda create --name BEVDet python=3.8 -y 在虚拟环境里安装torch： conda install pytorch==1.10

MonoScene在服务器上环境搭建以及运行记录conda环境pytorch-lightning_libgcc_mutex 0.1 main defaults _o

三维检测与占据预测PPT记录主要对前期制作的三维目标检测和占据预测的PPT进行记录 其中的三维目标检测主要从分类方法上展示不同的检测网络方法与结构，占据预测主要从BEV检测的两条主线开始讲起，再到特斯拉的占据预测网络，再到CVPR2023

PON:Predicting Semantic Map Representations from Images using Pyramid Occupancy Networks论文链接：PON-pdf代码链接：PON-py PON:利用金字