3D Object Detection On Nuscenes

평가 지표

NDS

mAAE

mAOE

mAP

mASE

mATE

mAVE

평가 결과

이 벤치마크에서 각 모델의 성능 결과

비교 표

모델 이름	NDS	mAAE	mAOE	mAP	mASE	mATE	mAVE
모델 1	0.52	0.13	0.42	0.43	0.26	0.6	0.5
모델 2	0.74	0.13	0.3	0.71	0.23	0.24	0.24
모델 3	0.7	0.13	0.34	0.64	0.24	0.26	0.22
multimodal-virtual-point-3d-detection	0.71	0.13	0.32	0.66	0.24	0.26	0.31
모델 5	0.71	0.12	0.36	0.68	0.24	0.27	0.26
모델 6	0.18	0.59	0.96	0.09	0.42	0.7	1.0
모델 7	0.61	0.13	0.54	0.54	0.26	0.38	0.29
모델 8	0.62	0.13	0.34	0.53	0.24	0.45	0.31
모델 9	0.38	0.18	0.54	0.3	0.27	0.72	1.17
모델 10	0.73	0.13	0.34	0.71	0.24	0.25	0.26
모델 11	0.72	0.13	0.37	0.69	0.25	0.26	0.27
모델 12	0.45	0.13	0.44	0.38	0.25	0.63	1.48
모델 13	0.45	0.11	0.52	0.33	0.26	0.63	0.61
probabilistic-and-geometric-depth-detecting	0.45	-	-	0.39	-	-	-
모델 15	0.58	0.12	0.39	0.46	0.25	0.46	0.33
모델 16	0.71	0.12	0.37	0.67	0.24	0.27	0.27
모델 17	0.57	0.14	0.42	0.45	0.25	0.32	0.42
모델 18	0.59	0.14	0.38	0.51	0.26	0.45	0.39
모델 19	0.61	0.15	0.43	0.54	0.26	0.4	0.36
모델 20	0.58	0.42	0.33	0.62	0.24	0.28	1.35
모델 21	0.58	0.13	0.37	0.49	0.26	0.57	0.31
모델 22	0.6	0.12	0.35	0.53	0.25	0.52	0.38
모델 23	0.42	0.2	0.35	0.33	0.26	0.66	1.66
모델 24	0.55	0.15	0.49	0.47	0.27	0.57	0.41
모델 25	0.08	0.87	1.14	0.05	0.79	0.82	1.43
모델 26	0.47	0.11	0.67	0.37	0.4	0.48	0.48
모델 27	0.73	0.13	0.33	0.71	0.24	0.26	0.25
do-you-remember-the-future-weak-to-strong	0.63	-	-	0.54	-	-	-
모델 29	0.71	0.12	0.35	0.67	0.25	0.31	0.22
모델 30	0.59	0.13	0.37	0.52	0.25	0.56	0.39
모델 31	0.7	0.12	0.32	0.64	0.23	0.26	0.22
모델 32	0.59	0.13	0.42	0.46	0.25	0.31	0.32
모델 33	0.49	0.13	0.39	0.41	0.26	0.53	0.79
모델 34	0.77	0.13	0.28	0.75	0.22	0.22	0.19
모델 35	0.7	0.13	0.34	0.64	0.24	0.26	0.21
모델 36	0.08	1.0	0.79	0.01	0.64	0.86	1.39
모델 37	0.73	0.13	0.35	0.69	0.23	0.24	0.19
모델 38	0.49	0.14	0.59	0.41	0.26	0.48	0.7
모델 39	0.67	0.14	0.33	0.58	0.25	0.26	0.22
모델 40	0.54	0.12	0.41	0.44	0.26	0.54	0.48
모델 41	0.51	0.13	0.44	0.43	0.27	0.64	0.54
모델 42	0.74	0.13	0.32	0.72	0.24	0.25	0.27
모델 43	0.7	0.13	0.38	0.65	0.24	0.27	0.28
모델 44	0.63	0.12	0.32	0.55	0.25	0.51	0.28
모델 45	0.46	0.16	0.52	0.35	0.26	0.63	0.52
모델 46	0.76	0.13	0.33	0.76	0.23	0.24	0.23
모델 47	0.7	0.13	0.32	0.64	0.23	0.25	0.24
모델 48	0.68	0.12	0.36	0.61	0.24	0.28	0.22
모델 49	0.63	0.14	0.38	0.53	0.25	0.3	0.24
class-balanced-grouping-and-sampling-for	0.63.3	-	-	0.528	-	-	-
dsvt-dynamic-sparse-voxel-transformer-with	0.73	0.14	0.30	-	0.23	0.25	0.25
모델 52	0.55	0.13	0.87	0.48	0.25	0.32	0.34
모델 53	0.08	0.92	0.9	0.09	0.92	0.92	1.08
모델 54	0.59	0.13	0.36	0.51	0.25	0.55	0.4
모델 55	0.74	0.13	0.35	0.72	0.24	0.25	0.25
모델 56	0.52	0.11	0.48	0.34	0.26	0.35	0.27
모델 57	0.61	0.13	0.38	0.48	0.25	0.32	0.26
모델 58	0.62	0.13	0.44	0.54	0.26	0.34	0.33
모델 59	0.63	0.13	0.46	0.54	0.25	0.29	0.26
모델 60	0.59	0.12	0.35	0.5	0.25	0.54	0.34
모델 61	0.01	0.9	1.06	0.0	1.0	1.02	0.99
ea-bev-edge-aware-bird-s-eye-view-projector	0.78	0.12	0.28	0.77	0.21	0.23	0.20
모델 63	0.4	0.14	0.63	0.34	0.26	0.66	1.63
모델 64	0.51	0.12	0.45	0.41	0.26	0.69	0.45
모델 65	0.62	0.13	0.34	0.53	0.25	0.44	0.29
모델 66	0.44	0.15	0.47	0.37	0.25	0.6	1.0
모델 67	0.43	0.13	0.41	0.21	0.24	0.63	0.31
모델 68	0.37	0.14	0.6	0.29	0.26	0.75	1.58
모델 69	0.71	0.14	0.36	0.67	0.24	0.26	0.27
모델 70	0.74	0.13	0.34	0.72	0.24	0.25	0.27
모델 71	0.57	0.13	0.38	0.49	0.26	0.57	0.39
모델 72	0.49	0.1	0.5	0.38	0.25	0.61	0.53
모델 73	0.69	0.13	0.37	0.62	0.24	0.28	0.21
모델 74	0.58	0.13	0.38	0.47	0.25	0.5	0.33
infofocus-3d-object-detection-for-autonomous	0.4	0.4	1.13	0.39	0.26	0.36	1.0
모델 76	0.58	0.13	0.45	0.48	0.26	0.44	0.37
모델 77	0.67	0.14	0.32	0.59	0.25	0.39	0.17
모델 78	0.38	0.36	1.58	0.49	0.84	0.48	1.45
모델 79	0.64	0.12	0.48	0.57	0.25	0.3	0.25
모델 80	0.73	0.14	0.35	0.71	0.24	0.26	0.26
모델 81	0.34	1.0	0.5	0.35	0.26	0.63	1.58
모델 82	0.68	0.13	0.34	0.6	0.24	0.27	0.24
모델 83	0.5	0.12	0.39	0.42	0.25	0.52	0.83
모델 84	0.71	0.13	0.32	0.66	0.24	0.24	0.27
모델 85	0.56	0.12	0.44	0.46	0.25	0.5	0.36
focalformer3d-focusing-on-hard-instance-for	0.75	0.13	0.33	0.72	0.24	0.25	0.23
모델 87	0.46	0.13	0.42	0.4	0.26	0.68	0.89
ssn-shape-signature-networks-for-multi-class-1	0.57	0.31	0.43	0.46	0.26	0.37	0.26
모델 89	0.48	0.15	0.4	0.42	0.24	0.53	0.98
모델 90	0.7	0.13	0.38	0.65	0.24	0.26	0.27
모델 91	0.62	0.13	0.41	0.52	0.25	0.42	0.25
모델 92	0.14	1.0	0.61	0.05	0.43	0.82	2.08
모델 93	0.36	0.33	0.46	0.27	0.25	0.71	1.31
ssn-shape-signature-networks-for-multi-class-1	0.62	0.09	0.43	0.51	0.24	0.34	0.27
multi-modal-3d-object-detection-by-box	0.721	-	-	0.689	-	-	-
sparc-sparse-radar-camera-fusion-for-3d	0.671	-	-	0.60	-	-	-
모델 97	0.72	0.13	0.32	0.67	0.23	0.25	0.26
모델 98	0.71	0.12	0.3	0.65	0.23	0.24	0.24
모델 99	0.76	0.13	0.29	0.74	0.23	0.23	0.24
모델 100	0.72	0.13	0.36	0.7	0.24	0.26	0.27
모델 101	0.36	0.19	0.61	0.3	0.28	0.83	1.09
모델 102	0.47	0.11	0.51	0.44	0.26	0.57	1.22
모델 103	0.61	0.12	0.33	0.52	0.24	0.44	0.34
robust-multimodal-3d-object-detection-via	0.74	0.11	0.30	0.72	0.24	0.27	0.27
모델 105	0.57	0.13	0.38	0.48	0.26	0.58	0.38
모델 106	0.03	0.93	0.93	0.01	0.92	0.97	0.99
모델 107	0.5	0.14	0.49	0.38	0.25	0.59	0.42
모델 108	0.73	0.13	0.32	0.69	0.23	0.25	0.21
모델 109	0.66	0.13	0.4	0.61	0.26	0.28	0.32
nuscenes-a-multimodal-dataset-for-autonomous	0.442	-	-	-	-	-	-
모델 111	0.55	0.11	0.43	0.44	0.26	0.5	0.38
모델 112	0.71	0.13	0.31	0.66	0.23	0.25	0.24
모델 113	0.53	0.13	0.39	0.39	0.25	0.54	0.35
모델 114	0.64	0.14	0.37	0.59	0.26	0.43	0.35
모델 115	0.54	0.13	0.39	0.46	0.25	0.62	0.49
모델 116	0.562	0.187	0.331	0.467	0.253	0.605	0.336
모델 117	0.6	0.13	0.42	0.52	0.26	0.42	0.38
모델 118	0.75	0.13	0.32	0.73	0.24	0.24	0.23
모델 119	0.61	0.13	0.43	0.51	0.25	0.3	0.37
모델 120	0.73	0.13	0.37	0.71	0.24	0.26	0.28
모델 121	0.71	0.13	0.38	0.69	0.24	0.26	0.27
모델 122	0.62	0.13	0.38	0.51	0.24	0.3	0.29
모델 123	0.58	0.12	0.38	0.48	0.25	0.53	0.32
center-based-3d-object-detection-and-tracking	0.71	0.14	0.35	0.67	0.24	0.25	0.25
모델 125	0.77	0.13	0.27	0.75	0.22	0.23	0.21
모델 126	0.6	0.15	0.44	0.53	0.26	0.4	0.35
모델 127	0.52	0.13	0.38	0.45	0.25	0.57	0.78
모델 128	0.72	0.13	0.35	0.68	0.24	0.26	0.27
모델 129	0.72	0.13	0.32	0.68	0.23	0.25	0.26
모델 130	0.66	0.12	0.35	0.57	0.24	0.25	0.27
모델 131	0.69	0.13	0.34	0.63	0.24	0.28	0.3
모델 132	0.44	0.2	0.51	0.39	0.26	0.57	1.05
모델 133	0.58	0.11	0.37	0.48	0.25	0.54	0.37
모델 134	0.58	0.42	0.34	0.62	0.24	0.28	1.36
모델 135	0.49	0.12	0.3	0.42	0.24	0.55	1.07
모델 136	0.71	0.12	0.35	0.67	0.24	0.25	0.27
모델 137	0.46	0.15	0.39	0.39	0.24	0.59	1.06
bevfusion-multi-task-multi-sensor-fusion-with	0.76	0.13	0.32	0.75	0.23	0.24	0.22
모델 139	0.16	0.5	1.6	0.11	0.58	0.87	2.21
모델 140	0.48	0.13	0.39	0.41	0.26	0.64	0.85
모델 141	0.65	0.13	0.34	0.58	0.26	0.45	0.24
모델 142	0.49	0.15	0.39	0.44	0.25	0.53	1.0
모델 143	0.58	0.16	0.47	0.5	0.26	0.43	0.4
모델 144	0.63	0.14	0.39	0.54	0.25	0.3	0.34
모델 145	0.74	0.13	0.32	0.71	0.24	0.23	0.24
nuscenes-a-multimodal-dataset-for-autonomous	0.448	-	-	-	-	-	-
모델 147	0.65	0.13	0.49	0.6	0.25	0.32	0.26
crn-camera-radar-net-for-accurate-robust	0.624	-	-	0.575	-	-	-
bevdet4d-exploit-temporal-cues-in-multi	0.569	0.121	0.386	0.451	0.241	0.511	0.301
모델 150	0.6	0.13	0.38	0.5	0.24	0.45	0.32
모델 151	0.49	0.13	0.39	0.42	0.25	0.59	0.85
모델 152	0.54	0.13	0.39	0.45	0.25	0.57	0.48
모델 153	0.68	0.13	0.38	0.61	0.24	0.27	0.23
모델 154	0.35	0.38	0.87	0.3	0.27	0.45	1.0
모델 155	0.47	0.13	0.75	0.37	0.27	0.59	0.4
모델 156	0.72	0.13	0.37	0.69	0.24	0.25	0.22
모델 157	0.66	0.15	0.35	0.58	0.24	0.29	0.31
모델 158	0.47	0.16	0.44	0.43	0.26	0.54	1.02
모델 159	0.7	0.12	0.36	0.65	0.23	0.26	0.25
모델 160	0.08	0.87	1.16	0.05	0.79	0.82	1.43
focalformer3d-focusing-on-hard-instance-for	0.73	0.13	0.34	0.69	0.24	0.25	0.22
모델 162	0.59	0.12	0.35	0.48	0.24	0.45	0.34
모델 163	0.69	0.14	0.32	0.63	0.23	0.27	0.25
모델 164	0.48	0.09	0.51	0.37	0.25	0.63	0.54
모델 165	0.73	0.13	0.37	0.71	0.24	0.25	0.22
모델 166	0.59	0.12	0.37	0.51	0.26	0.53	0.32
mgtanet-encoding-sequential-lidar-points	0.73	0.12	0.31	0.67	0.23	0.25	0.19
모델 168	0.73	0.13	0.37	0.7	0.24	0.25	0.23
모델 169	0.6	0.15	0.4	0.52	0.26	0.43	0.37
bevformer-learning-bird-s-eye-view	0.57	0.13	0.38	0.48	0.26	0.58	0.38
모델 171	0.66	0.13	0.4	0.61	0.26	0.28	0.32
모델 172	0.57	0.12	0.41	0.49	0.26	0.52	0.43
모델 173	0.62	0.13	0.37	0.51	0.24	0.3	0.29
모델 174	0.61	0.11	0.38	0.55	0.25	0.49	0.41
모델 175	0.53	0.11	0.42	0.43	0.27	0.54	0.57
모델 176	0.39	0.12	0.5	0.31	0.25	0.73	1.52
모델 177	0.64	0.12	0.39	0.55	0.24	0.3	0.27
모델 178	0.72	0.12	0.34	0.68	0.24	0.26	0.21
모델 179	0.57	0.14	0.37	0.49	0.26	0.54	0.39
모델 180	0.74	0.13	0.31	0.7	0.23	0.24	0.24
모델 181	0.45	0.15	0.48	0.41	0.26	0.7	0.95
모델 182	0.69	0.14	0.33	0.63	0.24	0.26	0.26
모델 183	0.7	0.13	0.35	0.66	0.24	0.26	0.28
모델 184	0.62	0.13	0.36	0.5	0.24	0.32	0.31
모델 185	0.67	0.13	0.32	0.58	0.27	0.26	0.24
모델 186	0.38	0.13	0.55	0.3	0.26	0.74	1.55
모델 187	0.69	0.12	0.37	0.64	0.25	0.26	0.28
모델 188	0.34	0.17	0.72	0.28	0.28	0.84	1.23
모델 189	0.49	0.14	0.59	0.36	0.27	0.52	0.43
모델 190	0.48	0.09	0.76	0.32	0.25	0.4	0.27
모델 191	0.63	0.14	0.39	0.55	0.25	0.29	0.35
모델 192	0.53	0.37	0.68	0.45	0.25	0.38	0.28
모델 193	0.6	0.13	0.44	0.5	0.25	0.31	0.39
모델 194	0.57	0.15	0.38	0.49	0.25	0.5	0.44
모델 195	0.72	0.12	0.31	0.67	0.24	0.25	0.28
모델 196	0.21	0.33	1.26	0.08	0.42	0.61	1.59
모델 197	0.44	0.12	0.46	0.38	0.24	0.67	1.15
모델 198	0.46	0.14	0.46	0.42	0.26	0.65	0.95
모델 199	0.44	0.15	0.58	0.31	0.27	0.68	0.49
모델 200	0.23	0.34	1.09	0.09	0.43	0.67	0.74
모델 201	0.63	0.12	0.34	0.55	0.24	0.49	0.24
모델 202	0.53	0.13	0.42	0.45	0.26	0.62	0.47
모델 203	0.63	0.13	0.38	0.55	0.25	0.45	0.26
모델 204	0.49	0.13	0.39	0.43	0.25	0.62	0.79
모델 205	0.47	0.19	0.38	0.43	0.25	0.58	1.05
모델 206	0.71	0.13	0.35	0.68	0.24	0.26	0.28
모델 207	0.38	1.0	0.51	0.39	0.25	0.39	1.53
모델 208	0.63	0.16	0.39	0.54	0.25	0.3	0.24
모델 209	0.66	0.13	0.38	0.58	0.24	0.27	0.29
모델 210	0.47	0.13	0.45	0.42	0.26	0.65	0.86
모델 211	0.14	1.0	0.66	0.1	0.57	0.9	1.66
모델 212	0.71	0.12	0.34	0.66	0.24	0.26	0.25
모델 213	0.62	0.13	0.32	0.53	0.24	0.4	0.33
모델 214	0.67	0.13	0.4	0.59	0.24	0.27	0.23
모델 215	0.66	0.12	0.35	0.58	0.24	0.27	0.34
3d-dual-fusion-dual-domain-dual-query-camera-1	0.73	0.13	0.33	0.71	0.24	0.26	0.27
모델 217	0.47	0.11	0.51	0.44	0.26	0.56	1.22
모델 218	0.73	0.12	0.38	0.7	0.23	0.24	0.25
모델 219	0.75	0.13	0.32	0.72	0.23	0.24	0.21
모델 220	0.66	0.13	0.35	0.58	0.25	0.28	0.3
모델 221	0.46	0.11	0.39	0.39	0.25	0.59	1.04
모델 222	0.68	0.14	0.34	0.62	0.23	0.26	0.3
모델 223	0.27	0.53	0.59	0.21	0.45	0.8	1.58
모델 224	0.71	0.13	0.36	0.67	0.24	0.26	0.26
모델 225	0.72	0.13	0.36	0.69	0.24	0.26	0.27
모델 226	0.71	0.12	0.36	0.68	0.23	0.27	0.26
모델 227	0.73	0.13	0.33	0.71	0.24	0.26	0.27
모델 228	0.04	1.0	0.9	0.04	0.92	0.96	1.18
모델 229	0.66	0.12	0.38	0.59	0.24	0.37	0.17
모델 230	0.58	0.13	0.43	0.45	0.25	0.32	0.33
모델 231	0.57	0.11	0.39	0.48	0.26	0.56	0.33
모델 232	0.66	0.13	0.37	0.58	0.25	0.28	0.24
모델 233	0.67	0.13	0.36	0.6	0.24	0.25	0.29
모델 234	0.71	0.12	0.36	0.67	0.24	0.27	0.27
모델 235	0.73	0.13	0.31	0.69	0.23	0.25	0.21
모델 236	0.54	0.13	0.39	0.46	0.26	0.61	0.47
모델 237	0.75	0.13	0.28	0.73	0.23	0.24	0.24
모델 238	0.46	0.13	0.4	0.4	0.27	0.67	0.88
모델 239	0.13	0.76	0.78	0.05	0.57	0.88	1.41
모델 240	0.58	0.11	0.5	0.46	0.27	0.39	0.25
모델 241	0.6	0.15	0.45	0.53	0.26	0.42	0.37
모델 242	0.56	0.13	0.41	0.46	0.25	0.52	0.35
모델 243	0.58	0.11	0.38	0.5	0.25	0.54	0.38
모델 244	0.0	1.0	1.0	0.0	1.0	1.0	1.0
모델 245	0.55	0.13	1.39	0.5	0.25	0.31	0.3
모델 246	0.67	0.12	0.38	0.6	0.24	0.25	0.27
모델 247	0.57	0.13	0.36	0.49	0.26	0.56	0.44
모델 248	0.7	0.13	0.36	0.65	0.24	0.27	0.28
모델 249	0.72	0.13	0.34	0.7	0.25	0.26	0.32
모델 250	0.74	0.13	0.31	0.71	0.23	0.24	0.23
모델 251	0.58	0.42	0.33	0.62	0.25	0.29	1.36
모델 252	0.59	0.13	0.38	0.5	0.25	0.47	0.33
모델 253	0.67	0.12	0.43	0.62	0.25	0.3	0.33
모델 254	0.58	0.12	0.4	0.48	0.25	0.51	0.36
모델 255	0.72	0.13	0.36	0.69	0.24	0.26	0.29
fcos3d-fully-convolutional-one-stage	0.428	0.124	0.452	0.358	0.249	0.690	1.434
모델 257	0.58	0.13	0.38	0.5	0.25	0.58	0.39
모델 258	0.58	0.12	0.38	0.49	0.24	0.55	0.42
모델 259	0.71	0.13	0.38	0.69	0.24	0.27	0.28
모델 260	0.57	0.13	0.46	0.48	0.24	0.44	0.44
모델 261	0.7	0.12	0.32	0.64	0.23	0.26	0.22
모델 262	0.51	0.17	0.58	0.42	0.27	0.48	0.53
unitr-a-unified-and-efficient-multi-modal	0.75	0.13	0.26	0.71	0.23	0.24	0.24
모델 264	0.67	0.13	0.32	0.58	0.26	0.26	0.24
epro-pnp-generalized-end-to-end-probabilistic	0.453	0.124	0.359	0.373	0.243	0.605	1.067
모델 266	0.68	0.13	0.36	0.6	0.24	0.26	0.28
모델 267	0.63	0.14	0.34	0.55	0.24	0.42	0.33
모델 268	0.43	0.12	0.45	0.36	0.25	0.69	1.43
모델 269	0.73	0.14	0.33	0.71	0.24	0.25	0.26
모델 270	0.45	0.22	0.34	0.39	0.25	0.6	1.61
모델 271	0.34	0.17	0.72	0.28	0.28	0.84	1.23
모델 272	0.75	0.13	0.28	0.73	0.23	0.23	0.26
모델 273	0.55	0.13	0.42	0.46	0.26	0.61	0.43
모델 274	0.53	0.11	0.4	0.45	0.25	0.57	0.67
모델 275	0.72	0.13	0.31	0.68	0.23	0.26	0.26
모델 276	0.71	0.12	0.38	0.67	0.24	0.27	0.27
모델 277	0.51	0.13	0.38	0.45	0.25	0.58	0.79
모델 278	0.52	0.12	0.38	0.42	0.26	0.63	0.49
모델 279	0.75	0.13	0.28	0.71	0.22	0.24	0.21
모델 280	0.5	0.14	0.49	0.38	0.25	0.59	0.42
모델 281	0.69	0.13	0.39	0.64	0.25	0.29	0.25
모델 282	0.5	0.13	0.41	0.43	0.26	0.62	0.78
모델 283	0.13	0.76	0.78	0.05	0.57	0.88	1.41
모델 284	0.62	0.13	0.38	0.51	0.24	0.3	0.3
모델 285	0.42	0.14	0.48	0.36	0.27	0.71	0.97
모델 286	0.57	0.12	0.39	0.45	0.24	0.51	0.3
모델 287	0.46	0.15	0.46	0.41	0.27	0.65	0.98
모델 288	0.72	0.13	0.34	0.69	0.24	0.26	0.27
모델 289	0.47	0.13	0.34	0.4	0.24	0.59	0.97
모델 290	0.61	0.13	0.35	0.52	0.24	0.44	0.35
모델 291	0.72	0.14	0.35	0.69	0.24	0.26	0.3
모델 292	0.49	0.13	0.41	0.43	0.25	0.59	0.84
모델 293	0.71	0.13	0.33	0.66	0.23	0.25	0.25
모델 294	0.38	0.2	0.57	0.3	0.26	0.65	1.04
모델 295	0.57	0.12	0.38	0.48	0.27	0.58	0.33
모델 296	0.49	0.13	0.41	0.43	0.25	0.63	0.88
모델 297	0.63	0.12	0.38	0.53	0.25	0.32	0.24
모델 298	0.54	0.13	0.39	0.44	0.26	0.63	0.37
모델 299	0.42	0.14	1.55	0.3	0.34	0.45	0.39
모델 300	0.55	0.11	0.4	0.44	0.26	0.52	0.43
모델 301	0.59	0.15	0.45	0.51	0.26	0.43	0.41
모델 302	0.59	0.12	0.36	0.5	0.25	0.55	0.34
모델 303	0.73	0.12	0.31	0.68	0.23	0.24	0.2
모델 304	0.61	0.13	0.4	0.51	0.24	0.32	0.32
모델 305	0.04	1.0	1.22	0.03	0.94	0.83	1.4
모델 306	0.57	0.12	0.38	0.46	0.25	0.49	0.33
모델 307	0.71	0.13	0.37	0.68	0.25	0.26	0.28
모델 308	0.67	0.14	0.36	0.6	0.24	0.26	0.29
모델 309	0.46	0.12	0.39	0.39	0.24	0.62	1.53
모델 310	0.45	0.13	0.45	0.39	0.25	0.63	1.51
모델 311	0.59	0.12	0.37	0.51	0.24	0.55	0.36
모델 312	0.7	0.12	0.39	0.65	0.24	0.26	0.27
모델 313	0.52	0.12	0.45	0.39	0.26	0.56	0.35
모델 314	0.73	0.13	0.33	0.71	0.24	0.26	0.29
모델 315	0.06	0.87	1.19	0.05	0.93	0.82	1.43
모델 316	0.59	0.13	0.36	0.51	0.24	0.55	0.37
모델 317	0.56	0.12	0.38	0.47	0.24	0.61	0.37
nuscenes-a-multimodal-dataset-for-autonomous	0.449	-	-	-	-	-	-
모델 319	0.42	0.38	0.55	0.35	0.25	0.38	1.0
모델 320	0.71	0.13	0.32	0.65	0.23	0.25	0.25
모델 321	0.66	0.12	0.37	0.57	0.24	0.25	0.27
모델 322	0.74	0.13	0.32	0.72	0.24	0.26	0.26
모델 323	0.39	0.41	1.17	0.38	0.27	0.37	1.0
모델 324	0.46	0.14	0.44	0.38	0.26	0.58	0.91
모델 325	0.72	0.13	0.33	0.69	0.24	0.26	0.23
cylinder3d-an-effective-3d-framework-for	0.59	0.24	0.44	0.49	0.24	0.33	0.27
모델 327	0.66	0.13	0.38	0.59	0.24	0.27	0.33
모델 328	0.58	0.12	0.36	0.49	0.24	0.56	0.34
모델 329	0.54	0.13	0.39	0.46	0.25	0.61	0.48
모델 330	0.59	0.13	0.44	0.47	0.25	0.32	0.3
모델 331	0.44	0.12	0.4	0.36	0.26	0.67	1.59
모델 332	0.66	0.13	0.34	0.61	0.25	0.4	0.32
모델 333	0.7	0.12	0.32	0.64	0.24	0.26	0.21
모델 334	0.53	0.13	0.4	0.41	0.25	0.56	0.43
모델 335	0.07	1.0	0.83	0.02	0.61	1.06	1.51
모델 336	0.25	1.0	0.84	0.28	0.29	0.76	1.63
모델 337	0.54	0.13	0.42	0.45	0.26	0.59	0.46
모델 338	0.61	0.13	0.37	0.5	0.25	0.31	0.33
모델 339	0.51	0.14	0.49	0.33	0.25	0.39	0.31
모델 340	0.6	0.13	0.4	0.5	0.25	0.45	0.32
모델 341	0.47	0.21	0.39	0.43	0.25	0.62	1.12
epro-pnp-generalized-end-to-end-probabilistic-1	0.49	0.123	0.302	0.423	0.236	0.547	1.071
모델 343	0.55	0.11	0.43	0.42	0.25	0.52	0.29
모델 344	0.58	0.12	0.37	0.48	0.25	0.53	0.36
모델 345	0.74	0.13	0.34	0.72	0.24	0.25	0.27
모델 346	0.5	0.13	0.38	0.44	0.25	0.59	0.81
모델 347	0.55	0.12	1.53	0.57	0.72	0.26	0.27
모델 348	0.48	0.12	0.37	0.42	0.25	0.57	1.01
모델 349	0.12	0.63	1.29	0.06	0.79	0.63	1.34
모델 350	0.76	0.13	0.32	0.74	0.23	0.24	0.22
모델 351	0.67	0.12	0.31	0.58	0.26	0.26	0.23
모델 352	0.69	0.13	0.36	0.63	0.24	0.26	0.27
모델 353	0.65	0.13	0.43	0.58	0.25	0.28	0.31
모델 354	0.73	0.14	0.31	0.7	0.23	0.24	0.23
hvdetfusion-a-simple-and-robust-camera-radar	0.674	-	-	-	-	-	-
모델 356	0.64	0.12	0.36	0.56	0.24	0.47	0.21
모델 357	0.58	0.13	0.43	0.45	0.25	0.32	0.33
unleashing-hydra-hybrid-fusion-depth	0.64	0.12	0.42	0.57	0.25	0.40	0.25
모델 359	0.32	0.49	0.84	0.27	0.33	0.51	1.74
모델 360	0.53	0.13	0.38	0.45	0.26	0.52	0.63
모델 361	0.73	0.15	0.36	0.7	0.23	0.25	0.24
모델 362	0.33	0.61	0.66	0.3	0.26	0.71	1.71
모델 363	0.54	0.14	0.4	0.44	0.26	0.63	0.43
모델 364	0.47	0.12	0.37	0.41	0.24	0.57	1.63
centerfusion-center-based-radar-and-camera	0.449	-	-	0.326	-	-	-
모델 366	0.73	0.13	0.32	0.68	0.23	0.24	0.23
모델 367	0.71	0.12	0.38	0.67	0.25	0.27	0.21
focalformer3d-focusing-on-hard-instance-for	0.74	0.13	0.32	0.71	0.24	0.24	0.20
모델 369	0.55	0.13	0.44	0.42	0.25	0.42	0.32
모델 370	0.58	0.12	0.36	0.48	0.25	0.55	0.32
모델 371	0.7	0.13	0.34	0.66	0.24	0.25	0.28
모델 372	0.73	0.13	0.36	0.71	0.24	0.25	0.25