我亦无他，惟手熟尔
点云自监督学习(MAE，持续更新) 点云自监督学习(MAE，持续更新)
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
2023-12-25 MAE
mae
终端神器tmux:多任务管理大师 终端神器tmux:多任务管理大师
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
2023-12-21 tmux
tmux
Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation（未完待续） Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation（未完待续）
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
2023-12-04 DL
seg
Superpoint Transformer for 3D Scene Instance Segmentation（未完待续） Superpoint Transformer for 3D Scene Instance Segmentation（未完待续）
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
2023-12-03 DL
seg
Learning Superpoint Graph Cut for 3D Instance Segmentation （未完待续） Learning Superpoint Graph Cut for 3D Instance Segmentation （未完待续）
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
2023-12-02 DL
seg
Efficient LiDAR Point Cloud Oversegmentation Network Efficient LiDAR Point Cloud Oversegmentation Network
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
2023-12-01 DL
seg
BEVDet系列（持续更新） BEVDet系列（持续更新）
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
2023-11-30 DL
bev
弱监督下的BEV检测和占据预测(部分汇总) 弱监督下的BEV检测和占据预测(部分汇总)
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
2023-11-29 DL
bev
BEVFormer学习总结（结合代码） BEVFormer学习总结（结合代码）
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
2023-11-29 DL
bev
BEV感知中的时序融合方法（部分待更新） BEV感知中的时序融合方法（部分待更新）
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
2023-11-28 DL
bev
BEV感知总结 BEV感知总结
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
2023-11-28 DL
bev
BEV感知经验性的评估和可能改进的方法 BEV感知经验性的评估和可能改进的方法
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
2023-11-26 DL
bev
2 / 5