置顶
Ubuntu显卡驱动以及CUDA、cuDNN、TensorRT的安装
卸载原有显卡驱动（如果有） 如果当前系统存在显卡驱动，直接安装新的显卡驱动可能会报错。建议先卸载掉旧的。 #先查看驱动以及版本安装情况
ls /usr/src | grep nvidia
#进入安装目录，用驱动自带卸载命令卸载
cd /usr/bin
ls nvidia-\*
sudo nv
【重读经典】BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation
自动驾驶常见传感器包括相机，LiDAR，雷达等传感器。 相机能提供丰富语义，LiDAR提供准确的空间信息，雷达能进行速度估计。 对于多传感器方案，当时的传感器投影存在信息损失的问题： LiDAR->Cam：存在几何损失，像素坐标系中相邻的像素点，在3D空间中可能距离很远。设想一个人站在墙前面，在像素
【重读经典】BEVFormer: Learning Bird's-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers
先看论文题目 Multi-Camera：多相机纯视觉方案，Camera-based的mAP天然比LiDAR-based和Fusion-based的要低 Spatiotemporal：时间空间 Transformer：用到了Transformer架构以及Attention机制 创新点 论文摆脱了之前L
nuscenes-devkit的使用
nuScenes数据集说明 - FunnyWii's Zone 一文了解nuScenes数据集的结构。 我们使用nuscenes-devkit进一步学习数据集的使用。 安装非常简单，建议python版本3.12和3.9。 pip install nuscenes-devkit devkit使用 仍以
nuScenes数据集说明
nuScenes数据集包含6个Camera，1个LiDAR，5个Radar，1个GPS以及IMU。 数据量比KITTI大得多，所以目前Occ Networks更多使用nuScenes数据集。 数据集分成两大块：Full和Mini。 Full Dataset包含140万Camera图像，39万LiDA
Ubuntu22部署FlashOcc踩坑实录
环境配置 conda create --name FlashOcc python=3.8.5
conda activate FlashOcc
pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f
【重读经典】Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D
LSS是NVIDIA在ECCV2020上发表的文章。 理解一下论文标题中的Lift, Splat, Shoot三个单词。 这三个单词对应模型中三个核心步骤。 Lift：提升。2D图像特征提升到3D视锥空间特征。 Splat：泼溅。所有相机生成的3D视锥特征，泼洒到统一的BEV平面网格。 Shoot：
【重读经典】3D Bounding Box Estimation Using Deep Learning and Geometry
Deep3DBox是一篇比较早的使用单目相机进行3D目标检测和姿态估计的方法。 Deep3DBox先用CNN回归目标的方向和尺寸，因为这两类属性稳定性比较高。然后结合2D BBOX的几何约束求解平移量，以生成完整的3D BBOX。 有些传统的方法基于PnP，通过2D-3D关键点对应关系求解姿态，需要
Ubuntu22.04部署Wan2.2
系统环境 系统：Ubuntu 22.04 显卡：RTX5880 48G 内存：64G PyTorch：2.4.0+ 模型说明 阿里巴巴旗下Wan团队开源的。 包括以下核心模型：
【重读经典】DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving
标题中的Affordance一词，本意是”预设用途，功能特性“，最初在知觉心理学和设计学领域出现。 后来在人机交互领域，Affordance的含义变成了：一个产品让用户自然领悟到用法的能力。 在机器人领域（自动驾驶和机器人的感知不分家），被引申为可以执行的潜在动作，即在特定情况下哪些动作是可执行的。
深度学习 - 网络的优化 Optimisation for Training Deep Networks
深度学习 - 网络的优化 Optimisation for Training Deep Networks 深度学习问题需要一个损失函数，我们的目标就是通过优化算法来最小化损失，即最小化目标（损失）函数。需要注意的是，优化和深度学习的本质目标有差异，优化关注的是最小（最大）化目标，深度学习更关注模型。
