Deep Learning[22]
车道线的多项式曲线拟合
离散点平滑 基于优化的离散点平滑 模型检测到的车道线，最终的输出的是车道线的点坐标(x,y)，这些点能够大概描述车道线在画面中的位置，但是如果想要拟合出车道线的高阶方程，可能还是不够平滑，一些离散点会影响拟合的效果。 优化变量：车道线点坐标(x_i,y_i) 优化目标有三个，分别是平滑度、长度和相对
车道线检测功能综述【深度学习方法】
深度学习方法 车道线检测常用数据集见 FunnyWii's Zone 车道线检测功能综述【传统方法】 基于分割的方法 利用语义分割或实例分割方法来区分图像中的车道线与其他物体或背景。这种方法将车道线检测问题转化为一个像素级分类问题。这种方法会将场景图片的每一个车道线像素都进行分类，判断该像素是否属于
mmyolo目标检测之边用边学（笨鸟快飞边学边更版）
写在前面 为什么不直接输出一堆内容，主要是因为自己太菜了，上学时的那些深度学习知识，已经差不多都还给老师了，而且工程应用又是另一码事。所以我就一边用mmyolo框架训模型，一边从头学起。。。 快成炼丹师了，不过对如何调整hyperparameters一点头绪都没。以下提到的功能的使用，都可以在mmy
YOLOv8的训练和C++部署
写在前面 YOLOv8 是 Ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持目标检测，目标分割，物体分类和姿态估计。 很多YOLO介绍blog会附上下面的结构图，虽然99%的人不会去看，而且我也是那99%的其中一员，不过为显专业（啊这该
Jetson - ARM架构下的 torch 和 torchvision 的安装 (支持CUDA)
写在前面 ARM架构下的 torch 安装比较烦人，不是麻烦，而是烦人。 网络上大部分教程虽然写着“Jetson的torch安装”，不过基本都是用官方stable的whl安装，这些安装本身没有什么问题，但是官方ARM架构的torch并不支持 CUDA，torchvision 亦如是。 这个方法也并不
单目相机的3D目标检测 - 3D Object Detection using Monocular
写在前面 即便是完全依靠着CNN检测出的2D bbox可以估计目标的深度，但是后续的预测，规划和运动控制，都需要物体的3D信息。更何况，如果能恢复目标的3D信息，对测距精度的提高也有很大的帮助。 激光雷达和深度相机固然精度很高，但是贵。而且在Lidar和Depth Cam的基础上加入RGB单目相机可
机器视觉 - 单目相机入门
单目相机成像原理 几个概念 光轴：垂直穿过理想透镜中心的光线。 焦点：与光轴平行的光线射入凸透镜时，理想的凸镜应该是所有的光线会聚在透镜后面一点上，这个会聚所有光线的一点，就叫做焦点。 焦距：镜片的中心到焦点为止的光轴上的距离，入射平行光线（或其延长线）与出射会聚光线（或其延长线，在下图中为红色虚线
机器学习八股文 - 模型相关
回归 线性回归的四个假设 线性关系：自变量 x 和因变量y之间存在线性关系。 独立性： 残差是独立的。特别是，时间序列数据中的连续残差之间没有相关性。 同方差性： 残差在 x 的每个水平上都有恒定的方差。 正态性： 模型的残差呈正态分布。 误差和残差 误差是观察值与真实值之间的差；残差是观察值与模型
深度学习八股文 - 基础概念
NN中的Bias？ 偏置允许激活函数向左或向右移动以更好地适应数据。 反向传播是啥？ 允许来自 Cost Function 的信息，从网络末端反向向前传播，以便计算梯度 -> 更新参数。 梯度消失 首先，要知道NN是基于链式法则，因此层数越深，梯度将以指数形式传播。 梯度越来越小，权重值不再产生变化
深度学习 - 卷积神经网络 Convolutional Networks
卷积神经网路 Convolutional Neural Network CNN CNN的结构 卷积层 Convolution 池化层（下采样） Polling 全连接层 Full connection 卷积层 最基础的2D卷积操作，涉及到一个2D的过滤器（filter），或者说是核（kernel）。