C++ STL容器的底层原理
C++ STL 容器是使用频率超高的基础设施，只有了解各个容器的底层原理，才能得心应手地用好不同的容器，做到用最合适的容器干最合适的事情[1]。看了文章[1]，可惜其中对容器方法的底层几乎没有提及，那就自己边查边写吧。本文大部分内容来自cplusplus.com/reference/ 。 C++ S
学习Transformer
Transformer在谷歌2017年的论文 [1706.03762] Attention Is All You Need 中首次被提出，主要用于NLP(Natuarl Language Processing，自然语言处理)的各项任务。 后来在CV领域，研究者们基于Transformer架构开展了一
单目相机的相对速度估计
前言 单目相机的目标距离估计本身就已经充满了挑战，那么目标的(相对)速度估计也必然是十分困难... 目前单目相机的相对速度估计算法可以分成两类：传统方法和深度学习方法。没错，什么任务都可以深度学习。 传统方法中，最经典的是Mobileye在2003年的一篇论文中提出的算法。这个算法包含目标距离和速度
ROS不使用自带OpenCV以及替换cv_bridge
系统：Ubuntu20.04 平台：Jetson Orin NX ROS：ROS2 Foxy OpenCV：4.5.4 with CUDA 问题源自编译时警告： /usr/bin/ld: warning: libopencv_imgcodecs.so.4.2, needed by /opt/ros/
ROS2的消息发布和订阅&图像发布和订阅
ROS2的编译 colcon 是 ROS2 编译的工具。ROS2 的工作空间与 ROS1 保持一样的目录结构： <workspace>
├── build # 编译时自动生成，包含编译的中间文件
├── install # 编译时自动生成，包含编译的结果：可执行文件，库文件，
Ubuntu安装ROS2，以及与ROS1的共存
系统环境：Ubuntu 20.04 ROS2版本：Foxy，其中Foxy是LTS长期支持版本，Galactic不是，但是这两者都只能运行在Ubuntu20.04上。 ROS2的安装 先检查是否支持UTF-8，用locale命令 jetson@funnywii-orin:~$ locale
LANG=
道路目标流量统计算法
实现流量统计算法有两个前提： 能够实现目标检测，最基本的前提，必须能够识别到视频帧中的车辆和行人。 能够进行目标跟踪，在检测的基础上，为目标分配一个唯一的ID。流量计数依赖于目标的唯一ID。 目标检测算法以YOLO系列为例。 跟踪算法以ByteTrack跟踪结果为例。将检测结果objects作为By
面向自动驾驶的端到端感知技术及发展趋势
摘要： 近年来，随着深度学习技术的发展和硬件算力的不断增强，自动驾驶技术越来越多的应用在各种场景。包括视觉感知、激光雷达感知和多传感器融合感知技术在这些年都得到了迅速发展。本文首先回顾了近年来自动驾驶感知技术的相关工作，然后介绍了相关工作所用到的方法和技术。随后整理并介绍了自动驾驶感知所需的数据集和
多目标跟踪算法的评价指标
多目标跟踪（MOT，Multiple Object Tracking）。 评价指标 MOTA MOTA全称Multiple Object Tracking Accuracy，计算公式为： MOTA=1-\cfrac{\sum_{t}(FN_t+FP_t+IDSW_t)}{\sum_{t}GT_t}
多目标跟踪中的目标匹配算法
多目标跟踪算法 自动驾驶领域中的目标跟踪算法都是多目标跟踪算法，即MOT（Multiple Object Tracking），因为在这种场景中要跟踪的目标往往是多个，也有些文献会把MOT称为MTT（Multiple Target Tracking）。 MOT问题中并不是所有目标都会在第一帧出现，也并