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

主要记录SSC中的理论与代码实现（第二章）主要从开篇之作SSCNet（2017）开始讲起，然后按激光雷达点云输入（LMSCNet，2020；S3CNet，2021a；JS3C-Net，2021）,单双目以及两者融合的顺序 紧接上回，双目视觉

OCC-VO: Dense Mapping via 3D Occupancy-Based Visual Odometry for Autonomous Driving论文链接：OCC-VO-pdf代码链接：OCC-VO-py 生成面向自动驾

主要记录SSC中的理论与代码实现（第一章）主要从开篇之作SSCNet（2017）开始讲起，然后按激光雷达点云输入（LMSCNet，2020；S3CNet，2021a；JS3C-Net，2021）,单双目以及两者融合的顺序 首先是开篇之作SS

语义场景补全（SSC）相关文章与数据集总结首先附上链接 SSC NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates