感知SOTA模型

提示：整理了感知算法中性能优异的模型

1. 激光雷达目标检测(WXF)

1. SFD
   
   代码：https://github.com/LittlePey/SFD
   论文：https://xueshu.baidu.com/usercenter/paper/show?paperid=123q0xs0a3010an0qh1w0mn0xj564930

2. BtcDet
   
   代码：https://github.com/Xharlie/BtcDet
   论文：https://arxiv.org/pdf/2112.02205.pdf

3. SE-SSD
   
   代码：https://github.com/Vegeta2020/SE-SSD
   论文：https://arxiv.org/abs/2104.09804

4. Focals Conv
   

代码：https://github.com/dvlab-research/FocalsConv
论文：https://arxiv.org/abs/2204.12463

5. CLOCs
   
   代码：https://github.com/pangsu0613/CLOCs
   论文：https://arxiv.org/pdf/2009.00784.pdf

2.激光雷达语义分割（GNN)

1. SPVCNN++ ，SPVNAS
   

代码：https://github.com/mit-han-lab/spvnas
论文：https://arxiv.org/pdf/2007.16100.pdf

2. Cylinder3D++, Cylinder3D
   
   

代码：https://github.com/xinge008/Cylinder3D
论文：https://arxiv.org/pdf/2011.10033.pdf

3. JS3C-Net
   
   代码：https://github.com/yanx27/JS3C-Net
   论文：https://arxiv.org/abs/2012.03762

4. Vis-PolarNet、PolarNet
   
   代码：https://github.com/AbangLZU/PolarSeg.git
   https://github.com/edwardzhou130/PolarSeg
   论文：https://arxiv.org/abs/2003.14032
   训练记录博客。

3. 视觉目标检测(PYL)

1. swin transformer v2
   coco数据集上的box-map（目标检测方面）是63.1。
   代码：https://github.com/microsoft/Swin-Transformer
   论文：https://arxiv.org/pdf/2111.09883v1.pdf

2. yolov5x6
   在coco数据集上的map是55.8。
   代码：https://github.com/ultralytics/yolov5/releases
   论文：暂无。

4. 姿态识别（ZCX）

1. SOTA：Soft-gated Skip Connections
   paper: https://arxiv.org/pdf/2002.11098v1.pdf
   code: https://github.com/salinasJJ/BBpose

2. SOTA: ViTPose(ViTAE-G, ensemble)：
   paper: https://arxiv.org/pdf/2D2D0K4.12D484v2D.pdf
   code: https://github.com/vitae-transformer/vitpose

3. SOTA： ViTAE：
   paper: https://arxiv.org/pdf/2204.12484v2.pdf
   code: https://github.com/vitae-transformer/vitpose

姿态识别数据集、模型介绍详细见文中第5节内容：6. 详细解释–Pose Estimate 榜单

5. 车道线识别（YGD）

1. CLRNet
   论文：https://openaccess.thecvf.com/content/CVPR2022/papers/Zheng_CLRNet_Cross_Layer_Refinement_Network_for_Lane_Detection_CVPR_2022_paper.pdf

2. CondLaneNet
   论文：https://openaccess.thecvf.com/content/ICCV2021/papers/Liu_CondLaneNet_A_Top-To-Down_Lane_Detection_Framework_Based_on_Conditional_Convolution_ICCV_2021_paper.pdf

车道线检测数据集、模型介绍详细见文中第6节内容：7. 详细解释–车道线检测SOTA模型

---

---

4、5节的详细解释部分：

---

---

6. 详细解释第4节–Pose Estimate 榜单

7. 详细解释第5节–车道线检测SOTA模型