Algorithm[60]
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] 开头，以为必有高论，然而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/refere
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
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
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
单目相机像素坐标系到世界坐标系的转换
世界坐标系 -> 像素坐标系 转换过程可参见这篇文章：FunnyWii's Zone 机器视觉 - 单目相机入门，其中描述了世界坐标系 -> 像素坐标系的转换过程。可以归结为下述公式： Z_c \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = K \begin{