- 博客(42)
- 收藏
- 关注
RSS订阅原创 （Zotero必装插件 —— pdf全文翻译神器 附带下载链接）Zotero PDF2zh：在文献库中翻译英文论文，保留排版与双语对照
ZoteroPDF2zh插件将PDF翻译功能集成至Zotero，支持整篇论文翻译、双语对照及保留原排版，适用于公式、图表与双栏文献。通过安装Zotero插件与本地运行Python后端，可一键翻译并配置大模型或API服务。推荐先用短论文测试效果，注意端口一致与API激活。适合科研阅读与语言练习，提升文献理解效率。
2026-10-02 17:00:15
1288
原创 从原理到实践：FAST-LIO2 算法、GitHub 源码与 MID-360 落地运行教程
FAST-LIO2 的核心可以概括为三点：第一，使用 IMU 进行高频状态预测和点云运动畸变校正。第二，使用当前激光点与地图中的局部平面构建几何残差，并通过迭代误差状态卡尔曼滤波修正设备位姿。第三，使用 ikd-Tree 增量管理点云地图，从而提高最近邻搜索和地图更新效率。对于 MID-360 手持扫描项目，真正决定系统能否稳定运行的关键包括：使用；使用发布 CustomMsg；确保点云包含点级时间信息；正确修改 FAST_LIO 的驱动依赖；保证 LiDAR 与 IMU 的时间同步；
2026-09-02 13:48:02
1407
原创 深度学习中如何通过阈值搜索平衡 Precision 和 Recall
阈值搜索就是在验证集上测试一系列候选阈值，并分别计算每个阈值对应的 Precision、Recall、Dice、IoU 等指标，最后根据任务需求选择最合适的阈值。阈值PrecisionRecallDice0.300.7800.9100.8400.400.8300.8800.8540.500.8700.8200.8440.600.9100.7500.822当阈值为 0.30 时，Recall 较高，但误检较多，因此 Precision 偏低。
2026-08-29 23:33:33
426
原创 从零搭建基于 Livox Mid-360 与 FAST-LIO2 的手持式激光雷达建图系统
主机IP雷达IPlaunch文件网卡名称本文完成了基于Livox Mid-360和FAST-LIO2的手持式激光雷达建图系统梳理，主要包括：Ubuntu 20.04和ROS Noetic环境搭建；VMware网络和Ubuntu软件源配置；Livox-SDK2与livox_ros_driver2安装；Mid-360雷达IP和主机IP配置；RViz原始点云显示；FAST-LIO2与Mid-360适配；实时定位与三维点云建图；树莓派和VNC远程部署；Shell脚本自动启动；
2026-08-27 22:39:56
549
原创 感谢优快云陪我度过那难熬的冷板凳
刚入大学的时候，我自学编程，先是看的书的，看那种给小学生看的编程书，叫什么啊哈C语言，好像就是叫这个。我那个时候学的特别认真，因为我那个时候觉得，只要学好编程，我就有前途，我就能做很牛逼的事情。有了第一次写博客的经历，渐渐地，就有了第二次，第三次......，不知不觉，发博客对我来说就是一件很日常得事情了。记得，有一天，我的结果是失败的，但在这个过程中，我取得了一些成功的感悟。后来学精了，再试之前，先打开评论区看看，看看大家的评论，看完后再决定试不试，这成功帮我规避了很多对我没有用的解决方法。
2026-08-26 01:02:22
762
原创 从零理解 U-Net：编码器、解码器与跳跃连接的原理
U-Net是一种典型的编码器—解码器式图像分割网络。编码器通过卷积和下采样逐步提取高层语义；解码器通过上采样逐步恢复空间分辨率；跳跃连接则把编码器中的高分辨率特征传递给对应的解码层，使模型兼顾语义理解与精确定位。最后，1×1卷积把融合后的特征转换为每个像素的类别预测。如果只记住U-Net最核心的逻辑，可以概括为：先通过编码器压缩图像、理解内容，再通过解码器放大特征、恢复位置，同时利用跳跃连接补充下采样过程中容易丢失的细节。这套思想不仅构成了U-Net，也成为许多现代图像分割网络的基础。
2026-08-25 14:49:28
576
原创 在 VS Code 的 Copilot Chat 中接入 DeepSeek V4以及使用教学（无需复杂配置）
GitHub Copilot 是集成在 VS Code 中的 AI 编程助手，可以帮助我们解释代码、修改项目、排查错误以及执行 Agent 任务。如果想在 Copilot Chat 中使用 DeepSeek，过去通常需要手动配置 API 地址、模型名称和各种参数。现在借助插件，只需要安装插件并填写 DeepSeek API Key，就能直接把 DeepSeek V4 添加到 Copilot Chat 的模型列表中。Vizards使用安装 Vizards 发布的插件。
2026-08-17 14:01:18
2390
2
原创 科研绘图软件推荐与使用技巧（draw.io 和 Inkscape附带安装包）
自然语言描述→ 项目结构分析→ 图表文件生成→ 自动布局→ 连接线检查→ 矢量导出→ 论文级精修如果追求稳定和通用性，建议优先使用 Draw.io 官方的。如果经常绘制深度学习模型、复杂架构和论文插图，可以尝试。Codex+ 一个主 Draw.io Skill+ Inkscape其中，Draw.io 负责图表结构，Inkscape 负责最终视觉精修，Codex 则负责理解需求、分析项目并持续修改可编辑图表。只要保留.drawio。
2026-08-08 16:59:24
660
原创 让 Codex 学会画图：Codex 结合 Draw.io 的 Skill 推荐与实战指南
Codex 与 Draw.io 的结合，本质上是将自然语言理解、项目分析、XML 生成、图形编辑和质量检查串成一条完整工作流。如果追求稳定和通用性，优先选择 Draw.io 官方的。如果经常绘制深度学习模型、复杂系统架构和论文插图，可以选择。如果只需要普通流程图、UML 图和 ER 图，可以选择更轻量的。如果重点关注正式文档中的视觉质量，可以参考 Sunwood 方案中的布局和 SVG 检查规则。一个主 Draw.io Skill+ 明确、可验收的绘图提示词。
2026-08-05 02:47:55
1948
原创 Nature Skills 使用教程：让 Codex 按科研工作流阅读、写作、绘图和审稿
阅读论文 PDF；生成中英文对照内容；提取论文研究问题；整理方法、实验和结论；建立正文与图表之间的对应关系；形成组会阅读笔记。请使用 nature-reader 阅读这篇论文。要求：1. 先概括论文研究背景和核心问题；2. 按照摘要、引言、方法、实验、结果和讨论进行整理；3. 对关键段落进行中英文对照；4. 逐一解释论文中的主要图表；5. 总结论文的创新点、局限性和可借鉴部分；6. 不要脱离原文补充作者没有提出的结论。
2026-07-22 15:48:12
2074
原创 深度学习模型训练怎么调参？一篇写给初学者的系统教程
最佳模型可能出现在中间某一轮，而不是训练结束时。应保存验证集指标最高的模型。深度学习调参不是盲目试数字，而是根据训练现象不断提出假设并进行验证。对于初学者，可以记住以下原则：先检查数据，再调整模型。先调学习率，再调其他参数。一次只修改一个主要变量。使用验证集调参，不要反复查看测试集。保存验证集表现最好的模型，而不是最后一轮模型。训练集和验证集都差，通常是欠拟合。训练集很好而验证集差，通常是过拟合。小数据集首先解决过拟合，不要盲目增加模型复杂度。检查数据→ 建立基线→ 调整学习率。
2026-07-18 01:04:39
549
原创 自动驾驶高清地图向量化实验中的常见评价指标解析
自动驾驶高清地图向量化实验的评价体系具有明显的综合性。与普通分类或检测任务不同，该任务不仅要求模型识别出正确的地图元素类别，还要求预测结果在空间位置、几何结构和拓扑连续性上尽可能接近真实标注。因此，在实验分析中，mAP 通常作为核心精度指标，用于评价模型整体性能；AP 可用于分析不同地图元素类别的表现；Chamfer Distance 用于衡量预测向量与真实标注之间的几何一致性；Precision、Recall 和 F1-score 用于分析误检与漏检情况；IoU 则更多用于栅格化或分割式地图表达。
2026-06-22 20:41:08
445
原创 CAFM 全局分支解析：QKV 注意力机制如何增强高清地图结构建模？
CAFM 全局分支的核心作用是利用 Q、K、V 注意力机制建模长距离依赖关系。它让模型能够从更大范围理解不同地图元素之间的空间联系，而不是只依赖局部区域的边缘和纹理信息。对于车道线，全局分支可以增强连续性建模；对于道路边界，它可以帮助理解整体道路走向；对于人行横道，它可以结合道路拓扑结构判断其空间位置是否合理。CAFM 全局分支让模型不只是“看见局部特征”，而是能够“理解整体道路结构”。因此，全局分支是 CAFM 中增强全局结构表达能力的重要组成部分，也是提升高清地图矢量化构建精度和鲁棒性的关键。
2026-06-22 20:07:37
204
原创 CAFM细解：从 1×1 卷积到 Channel Shuffle，理解高清地图构建中的局部分支设计
H×W×C其中，H 表示高度，W 表示宽度，C 表示通道数。224×224×3意思是这张图像的高度是 224 像素，宽度是 224 像素，并且有 3 个通道，分别对应红色通道、绿色通道和蓝色通道。一张 RGB 图像 = 三张二维图叠在一起R 通道：H×WG 通道：H×WB 通道：H×W合起来就是：H×W×3对于原始图像来说，通道值通常表示颜色强度。表示这个像素点在红色、绿色和蓝色三个通道上的数值分别是 120、80 和 200。
2026-06-22 16:44:36
499
原创 AutoDL 服务器训练必备：tmux 后台训练完整指南（新手版）
tmux是 Linux 下的一个终端会话管理工具。普通终端关闭 → 程序停止tmux 会话关闭 → 程序继续运行深度学习训练AutoDL 云服务器SSH 远程开发长时间运行任务tmux 的核心其实只有一句话：“退出终端，但不退出程序。Ctrl + BD你就已经超过很多刚接触 Linux 服务器的新手了。
2026-05-18 09:34:08
762
原创 SwinIR-Denoise-UNet：红树林分割最佳实验全过程
TTA 推理合理的 checkpoint 筛选 + 推理优化，往往比盲目加复杂后处理更有效。对于遥感分割任务来说，这类“训练 + 推理联合优化”的思路，通常比单纯堆模型更稳定，也更容易复现。
2026-05-14 16:39:37
371
原创 从零理解 DiT：新手也能看懂的 Diffusion Transformer（附代码解析）
很多人一上来就看公式。结果：5 分钟放弃。其实 Diffusion 的核心思想非常简单。用 Transformer 替代 U-Net整个流程：带噪图像↓Patchify↓↓预测噪声证明了 Transformer 在生成模型中的巨大潜力这也是后续大量生成模型 Transformer 化的开始。如果你是第一次接触 diffusion：不要怕。
2026-05-10 12:36:35
625
原创 AutoDL 上复现 MapQR：从环境配置到 nuScenes Mini 训练跑通
最近我在 AutoDL 上尝试复现 MapQR 项目。MapQR 是一个面向在线矢量化高精地图构建的模型，基于 MMDetection3D、BEVFormer 和 MapTRv2。本文记录从零开始配置环境、下载 nuScenes mini 数据、生成数据索引，到最终完成 24 epoch 训练的完整流程。MapQR 依赖的是比较老的一套 OpenMMLab 环境，因此不能直接使用 AutoDL 默认的新版本 PyTorch 镜像。我新建了一个 Python 3.8 环境：确认版本：安装 PyTorch 1.
2026-05-09 23:16:07
415
原创 使用Vscode远程连接服务器进行训练
由于我近期使用了vscode的codex插件辅助编程，所以需要用到vscode的远程连接服务器功能，为此写了一篇博客记录最近的工作日志。
2026-05-08 17:42:46
606
原创 Transformer：从基础原理到自动驾驶 BEV 矢量化地图构建
2017 年，Google 发表，Transformer 横空出世，彻底颠覆了自然语言处理领域。短短几年间，它一路 “破圈”，成为计算机视觉、自动驾驶感知、BEV 建模、矢量化高精地图构建的绝对核心支柱。整个模型的灵魂，就是 Transformer。
2026-04-13 20:36:45
501
原创 自动驾驶核心技术：BEV 特征 + Transformer 解码器
在自动驾驶系统中，高精地图（HD Map）是定位、感知、预测、规划的核心基础设施。近几年，端到端矢量化地图构建BEV 特征 + Transformer 解码器几乎所有顶尖方法（MapTR、MapTRv2、MapQR、CAFMap）都基于这套架构。这篇博客用最通俗、最直观、最工程化的方式，把它彻底讲清楚。传统栅格地图（raster map）是图片，占空间、难更新、不适合规划。矢量化地图用点、线、多边形车道线人行横道道路边界停止线、减速带等体积小精度高可直接用于路径规划。
2026-04-13 20:11:49
640
原创 MapQR:自动驾驶在线矢量化高精地图构建的端到端 SOTA 方法
解决传统方法精度低、信息不一致的问题，在 nuScenes/Argoverse2 上实现最优 mAP 且保持高效运行。
2026-04-13 10:58:35
247
原创 从传统视觉到YOLOP车道线检测项目笔记
作为刚入门深度学习的新手，我从经典的传统图像处理车道线检测入手，逐步升级到基于深度学习的自动驾驶车道线检测，完成了一次完整的项目实践。本文将完整记录项目流程、代码解析、遇到的问题及解决方法，方便后续复习回顾，也适合同阶段的新手参考。：基于OpenCV实现车道线检测（裁剪、掩码、高斯模糊、边缘检测、霍夫变换），项目链接：（视频在姓名链接里面）：基于YOLOP预训练模型，利用GPU加速实现更鲁棒的车道线识别。
2026-03-31 14:34:01
548
原创 基于传统视觉算法的车道线检测
高斯模糊（Gaussian Blur）是一种线性空间域滤波算法，通过二维高斯函数生成卷积核，对图像进行卷积运算，实现图像平滑与降噪。它是低通滤波器，只允许低频信息（平滑区域）通过，抑制高频信息（噪声、尖锐边缘）。霍夫变换是一种特征提取算法，用于在图像中检测具有特定形状的几何结构直线、圆、椭圆）。将图像空间的点 → 映射到参数空间 → 通过投票找出最可能的直线。
2026-03-25 14:08:06
426
原创 GDI + 绘图编程轻松入门
基础二维绘图（Windows Forms 应用）。高级图形效果（渐变、变换、抗锯齿）。图像处理（滤镜、格式转换、像素操作）。Windows Forms 应用中的自定义绘图。WPF 应用中的现代 UI 设计和动画效果。精细控制文本渲染质量。文档打印功能。应用场景：Windows 桌面应用、GDI + 绘图、GUI 界面开发等。定义原点位置：屏幕左上角（0, 0）。坐标轴方向X 轴：从左向右递增。Y 轴：从上向下递增（与数学坐标系相反）。单位：像素（Pixel），与显示器分辨率直接相关。
2025-06-17 12:35:05
924
原创 针对GPS的RINEX观测文件读取（Csharp）
重点在右侧的注释，有几个比较重要，例如：接收机型号：REC # / TYPE / VERS的第二项天线类型：ANT # / TYPE近似坐标：APPROX POSITION XYZ天线高：ANTENNA: DELTA H/E/N的第一项观测值数量和类型：TYPES OF OBSERV这是另一位博主写的，比较具体，可一一对应在头文件里查找。
2025-06-04 07:30:41
913
2
原创 卫星位置计算程序设计（超保姆级）
对计算卫星的个数和种类有限制：北斗二号（BDS-2）GEO卫星• C01：GEO-6，发射于2012年10月25日，轨道位置为东经80°。• C02：GEO-7，发射于2016年6月12日，轨道位置为东经110.5°。• C03：GEO-8，发射于2019年5月17日，轨道位置为东经140°。• C04：GEO-4，发射于2010年11月1日。• C05：GEO-5，发射于2012年2月25日。北斗三号（BDS-3）GEO卫星。
2025-04-20 15:11:00
1725
7
原创 使用Csharp提取导航电文
NavigationRecord中的每一个元素都与书本上的一一对应。直接上代码（注意：只支持读取GPS和北斗卫星的数据）注意啊：这一块把自己的数据路径改一下。
2025-04-17 17:58:47
317
原创 将CAFM模块引入矢量化地图构建任务中
该模块通过结合卷积操作和注意力机制，实现了对全局和局部特征的同步提取和融合。一方面，卷积操作能够捕捉图像中的局部特征，保留地图的细节信息，如道路标志、建筑物轮廓等。另一方面，注意力机制则能够自适应地关注图像中的重要区域，捕捉全局上下文信息，如道路走向、区域划分等。
2025-03-29 15:58:16
1056
原创 Editplus4获取注册码和汉化教程（保姆级）
EditPlus是一款流行的文本编辑器，它主要用于编写代码，特别是针对程序员来说，特别适合HTML、CSS、JavaScript、PHP等Web开发语言。EditPlus提供了一系列实用的功能，比如语法高亮显示、自动完成、代码折叠、标签匹配、查找替换、多行选择等等，大大提高了开发者的编码效率。此外，它的界面简洁直观，支持多种操作系统如Windows，且对插件系统友好，允许用户自定义和扩展其功能。注意在开始前，先浏览一遍全文，再动手。
2025-01-21 14:21:16
2463
原创 ResNet18跑CIFAR-10数据集（windows）
注意：本文主要针对在windows系统下运行代码时出的问题以及解决方法。点击右下角的Python 3.8(base)，选择Add Interpreter…在Anaconda的安装文件下打开python.exe即可其他环境：cuda12.4,torch2.4.1,torchvision0.19.1（这是我自己的，可以根据自己的电脑和python版本下载适配的版本，可以去参考其他博客，或者后面直接运行代码，缺啥装啥）
2025-01-17 01:39:06
717
原创 C#中控件的层级（显示）顺序更改
在做用C#做程序设计的时候，可能会在中途插入一些新的控件，但由于新控件的层级默认在原有控件之上，某些情况下会造成麻烦。比如：这时候，我们想要插入一个TabControl容器，想要实现以下效果：但这时候就会发现一个问题：就是文本控件始终在TabControl控件下方，达不到我们需要的效果： 右键文本控件：点击置于顶层效果：但有时候，切换页面时，文本控件还会显示在上面，这次成功了，但这种方法不太适用控件很多的情况，个人感觉。将文本控件剪切择页面想插入的页面粘贴即可之前就遇到过这种
2024-12-05 18:19:01
643
原创 反距离加权插值(程序设计)
窗口界面：具体代码：:FileHelper.cs:.DataEntities.cs:.Algo.cs:.Point.cs:
2024-11-25 22:11:23
319
原创 出租车轨迹数据计算(程序设计)
三.计算结果报告：这是从一本书中选取的题目，要求读取出租车数据的.txt文件，然后针对出租车数据，要求实现时间转换、速度计算、方位角计算、距离计算等功能。车辆标识,运营状态,时间（YYYYMMDDHHNNSS）,x（m）,y（m）
2024-11-21 23:51:00
912
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人