算法 [63]
【重读经典】YOLO的进化之路（下）
YOLOv9 和 YOLOv4/v7 一脉相承的作品，但是 Anchor-Free。 PGI 可编程梯度信息 全称 Programmable Gradient Information，这是一个辅助监督框架，目的是解决深度网络逐层传播的信息损失问题。 PGI 包含 3 个主要组件：主分支，辅助可逆分支
【重读经典】YOLO的进化之路（中）
没想到 YOLOv1 到 YOLOv4 就已经写了快 20000 字…… 编辑页面卡的不行，我不得不分几篇写完。YOLOv1 到 YOLO 26一共 12 篇，正好分上中下三篇。 YOLOv5 重量级来了，Ultralytics 闪亮登场了。第一个没有论文的 YOLO 正式版本，但它成为了工业界的事
【重读经典】YOLO的进化之路（上）
自 2016 年 YOLOv1 发布至今的十年里，YOLO 的核心版本已一路演进到了 v26——不过这其中包含了一次版本大跳跃：官方为了统一命名规范，直接跳过了 v13 到 v25。 回想起我使用 YOLO 的历程：从只会用官方的 COCO 数据集训练，到使用 MMLab 的各种训练框架，再到自己修
【重读经典】极坐标BEV方法
极坐标BEV的表示方法：在BEV空间按照角度和半径两个维度进行划分，而非笛卡尔坐标系下的均匀矩形网格。自车近处高分辨率，远处低分辨率，契合相机近大远小的成像特点。 核心优势 非均匀网格划分&分辨率优化 极坐标BEV以ego为中心，角度方向采用固定步长划分，径向长尾分布不均匀划分。 角度划分：θ ∈
3D稀疏卷积 3D Sparse Convolution
点云数据体素化后，有90%+的Voxel是空的，如果像VoxelNet那样直接使用3D Conv，计算量太大。 左图是稀疏的2D Tensor，深灰色像素都是0，浅灰色是non-zero点。 右图是稀疏的3D Tensor，只有红色的体素才是non-zero。 因此提出了3D稀疏卷积——3D Spa
【重读经典】点云深度学习网络的范式变迁：PointNet， VoxelNet和PointPillars
PointNet 直接以 N×3N \times 3的Raw PointCloud作为输入，每个点使用 (x,
【重读经典】BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework
BEVFusion有两篇论文： 一篇名为《BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework》，发表于2022年。 另一篇名为《BEVFusion: Multi-Task Multi-Sensor Fusion with Unif
【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
【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。
Kalman Filter原理及公式推导
卡尔曼滤波是一种高效的递归（自回归）滤波器。能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量值在不同时间下的值，考虑各时间下的联合分布，再产生对未知变量的估计，因此会比只以单一测量值为基础的估计方式要准^{[1]}。 几个值 先说明一下卡尔曼滤波中涉及到的各个值：
多传感器融合——后融合
多传感器融合的方案可以分成前融合（Early Fusion）方案和后融合（Late Fusion）方案。 前融合也叫特征级融合，不同传感器的数据会在特征级别进行合并，也就是说，不同模态的数据经过处理和合并后会得到一个特征集合。一般来说，每个模态数据的特征会被分别提取，然后被提取到的特征会被合并为一个
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