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（Natural 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 Transform
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十分困难。 目前，基于单目相机的相对速度估计算法大致可以分成两类：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 年一篇论文中提出的算法。这套算法同时包含目标
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 冲突 问题源自编译时警告： /usr/bin/ld: warning: libopencv_imgcodecs.so.4.2, needed by /opt/r
ROS2的消息发布和订阅&图像发布和订阅
ROS2 的编译 colcon 是 ROS2 的编译工具。ROS2 的工作空间与 ROS1 基本保持相同的目录结构： <workspace>
├── build # 编译时自动生成，包含编译中间文件
├── install # 编译时自动生成，包含编译结果：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。将检测结果的 objects
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持续增强，自动驾驶技术被越来越多地应用到不同场景中。视觉感知、激光雷达感知和多传感器融合感知技术也在这些年得到了迅速发展。本文首先回顾近年来自动驾驶感知技术的相关工作，然后介绍这些工作所使用的方法与技术，随后整理并介绍自动驾驶感知常用的数据集和评价指标
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 - \frac{\sum_t(FN_t + FP_t + IDSW_t)}{\sum_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通常都是多目标跟踪算法，即 MOT（Multiple Object Tracking）。因为在这种场景中，要跟踪的目标往往不止一个。也有些文献会把这类问题称为 MTT（Multiple Target Tracking）。 MOT 问题中，并不是所有目标都会
Linux切换Python版本
软连接 这个可以在 /usr/bin 目录中找到： (base) jetson@ubuntu:~$ cd /usr/bin/
(base) jetson@ubuntu:/usr/bin$ ls python*
python python2.7 python2-config py
我还在学CUDA编程（四）——内存管理及访问模式
内存管理 内存分配和释放 CUDA 编程模型中存在 Host 和 Device 两个异构系统，每个系统都有相对独立的内存空间。 在 Host 代码中，可以使用下面的函数分配 Device 全局内存： cudaError_t cudaMalloc(void **devPtr, size_t count