<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dedell的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dedell</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dedell]]></copyright><item><title><![CDATA[OpenClaw框架图]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/160950257</link><guid>https://blog.youkuaiyun.com/dedell/article/details/160950257</guid><author>dedell</author><pubDate>Sun, 10 May 2026 12:03:38 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[ABot-Claw: 持久、合作和自我进化的机器人代理的基础]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/160331008</link><guid>https://blog.youkuaiyun.com/dedell/article/details/160331008</guid><author>dedell</author><pubDate>Mon, 20 Apr 2026 14:54:01 +0800</pubDate><description><![CDATA[OpenClaw提供了一个具有完整系统权限的本地化运行时，但缺乏长时间、多机器人执行所需的具身控制架构。因此，我们提出了 ABot-Claw，这是 OpenClaw 的一个具身扩展版本，它集成了：统一的具身接口，具有能力驱动的调度功能，用于异构机器人的协同；以视觉为中心的跨具身多模态记忆，用于持久的上下文保留和具身基础检索；基于评估者（critic）的闭环反馈机制，结合通用奖励模型，用于在线进度评估、局部纠正和重规划。]]></description><category></category></item><item><title><![CDATA[字节VLingNav：自适应推理和视觉-辅助语言记忆的具身导航]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/160147796</link><guid>https://blog.youkuaiyun.com/dedell/article/details/160147796</guid><author>dedell</author><pubDate>Tue, 14 Apr 2026 15:37:52 +0800</pubDate><description><![CDATA[发布于26年1月。引入一种自适应思维链（AdaCoT）机制，该机制仅在必要时动态触发显式推理，使智体能够在快速、直觉的执行和缓慢、深思熟虑的规划之间流畅切换。为了处理长时域空间依赖性，开发一个视觉辅助语言记忆模块（VLingMem），该模块构建一个持久的跨模态语义记忆，使智体能够回忆过去的观察结果，从而避免重复探索，并推断动态环境中的运动趋势。构建迄今为止最大的具身导航推理标注数据集Nav-AdaCoT-2.9M，并添加自适应CoT标注，从而构建一种能够根据思考时间调整思考内容的推理范式。]]></description><category></category></item><item><title><![CDATA[视频分割Video K-Net]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/126538236</link><guid>https://blog.youkuaiyun.com/dedell/article/details/126538236</guid><author>dedell</author><pubDate>Wed, 08 Apr 2026 10:28:03 +0800</pubDate><description><![CDATA[将实例内核对应的mask prediction 与GT掩码进行比较，如果对象对应的掩码的IoU高于a1,则内核嵌入被定义为对象的正嵌入；Video K-Net通过基于内核的外观建模和跨时间内核交互，学会了同时分割和跟踪视频中的“things”和“stuff”（语义分割和实例分割）。只考虑与GT掩码匹配的内核进行训练，如果两个采样帧上两个区域与同一对象关联，则这两个内核匹配为positive，否则为negative。在原来的K-Net解码器之后添加了一个额外的轻量级嵌入头，以提取每个内核的嵌入特征。]]></description><category></category></item><item><title><![CDATA[K-Net]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/126538223</link><guid>https://blog.youkuaiyun.com/dedell/article/details/126538223</guid><author>dedell</author><pubDate>Wed, 08 Apr 2026 10:27:09 +0800</pubDate><description><![CDATA[将实例内核对应的mask prediction 与GT掩码进行比较，如果对象对应的掩码的IoU高于a1,则内核嵌入被定义为对象的正嵌入；Video K-Net通过基于内核的外观建模和跨时间内核交互，学会了同时分割和跟踪视频中的“things”和“stuff”（语义分割和实例分割）。在原来的K-Net解码器之后添加了一个额外的轻量级嵌入头，以提取每个内核的嵌入特征。学习内核关联嵌入的目的是对两帧之间的实例内核嵌入进行跟踪实例对比学习。K-Net: 使用一组可学习的卷积核统一图像分割（实例，语义）。]]></description><category></category></item><item><title><![CDATA[视频分割VisTR算法]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/126538329</link><guid>https://blog.youkuaiyun.com/dedell/article/details/126538329</guid><author>dedell</author><pubDate>Wed, 08 Apr 2026 10:25:48 +0800</pubDate><description><![CDATA[第一个思考是：视频本身是序列级别的数据，能否直接将其建模为序列预测的任务？比如，借鉴自然语言处理（NLP）任务的思想，将视频实例分割建模为序列到序列（Seq2Seq）的任务，即给定多帧图像作为输入，直接输出多帧的分割Mask序列，这时需要一个能够同时对多帧进行建模的模型。第二个思考是：视频的实例分割实际同时包含实例分割和目标跟踪两个任务，能否将其统一到一个框架下实现？]]></description><category></category></item><item><title><![CDATA[3 Video K-Net CVPR2022Oral]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/126538287</link><guid>https://blog.youkuaiyun.com/dedell/article/details/126538287</guid><author>dedell</author><pubDate>Fri, 26 Aug 2022 10:28:23 +0800</pubDate><description><![CDATA[将实例内核对应的mask prediction 与GT掩码进行比较，如果对象对应的掩码的IoU高于a1,则内核嵌入被定义为对象的正嵌入；Video K-Net通过基于内核的外观建模和跨时间内核交互，学会了同时分割和跟踪视频中的“things”和“stuff”（语义分割和实例分割）。在原来的K-Net解码器之后添加了一个额外的轻量级嵌入头，以提取每个内核的嵌入特征。学习内核关联嵌入的目的是对两帧之间的实例内核嵌入进行跟踪实例对比学习。K-Net: 使用一组可学习的卷积核统一图像分割（实例，语义）。...]]></description><category></category></item><item><title><![CDATA[CenterPoint-KITTI环境配置]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/121731684</link><guid>https://blog.youkuaiyun.com/dedell/article/details/121731684</guid><author>dedell</author><pubDate>Sun, 05 Dec 2021 16:54:54 +0800</pubDate><description><![CDATA[1选用docker镜像

zhiminc/centerpoint_new

2配置spconv

1）下载spconv 1.0

GitHub - traveller59/spconv at 8da6f967fb9a054d8870c3515b1b44eca2103634

2）在spconv的third_part里手动git clone pybind并chekckout到某个版本【版本号：085a29436a8c472caaaf7157aa644b571079bcaa】

3）需按照centerpoint]]></description><category></category></item><item><title><![CDATA[CUDA异步执行与同步调试]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/121574306</link><guid>https://blog.youkuaiyun.com/dedell/article/details/121574306</guid><author>dedell</author><pubDate>Sat, 27 Nov 2021 11:15:24 +0800</pubDate><description><![CDATA[异步执行

默认情况下，GPU 操作是异步的。当您调用使用 GPU 的函数时，操作会被排入特定设备的队列，但不一定要等到稍后才会执行。这允许我们并行执行更多计算，包括在 CPU 或其他 GPU 上的操作。

一般来说，异步计算的影响对调用者是不可见的，因为（1）每个设备按照它们排队的顺序执行操作，以及（2）PyTorch 在 CPU 和 GPU 之间或两个 GPU 之间复制数据时会自动执行必要的同步。因此，计算将继续进行，就好像每个操作都是同步执行的一样。

您可以通过设置环境变量 CUDA_LAUNCH_]]></description><category></category></item><item><title><![CDATA[python文件导入与.路径]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/121300620</link><guid>https://blog.youkuaiyun.com/dedell/article/details/121300620</guid><author>dedell</author><pubDate>Sat, 13 Nov 2021 10:14:26 +0800</pubDate><description><![CDATA[1.路径结构
test/dir0/file0.py
test/dir0/file1.py
test/file.py

2.文件内容
file.py
from dir0 import file0

file0.py
import os
import sys
sys.path.append("/home/test/dir0")
print(os.getcwd())#打印当前路径，即打印.路径
import dir0.file1
#import .file1#仅可在file0(该文件下)目录下执行

file1.]]></description><category></category></item><item><title><![CDATA[python数组与numpy.array的拼接和对应元素相加]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/111057398</link><guid>https://blog.youkuaiyun.com/dedell/article/details/111057398</guid><author>dedell</author><pubDate>Sat, 12 Dec 2020 10:26:08 +0800</pubDate><description><![CDATA[1.严格意义上python没有数组，只有列表。
a=[1,2,3]
a=list()#列表
a=(1,2,3)
a=tuple()#元组

2.列表拼接与对应元素相加
对于python自带的列表数据结构
拼接
a=[1,2]
b=[2,3]
c=a+b#[1,2,2,3]
c=a.extend(b)

对应元素相加
只能通过循环，或转为numpy
对于numpy.array()
拼接
import numpy as np
a=np.array([1,2])
b=np.array([2,3])
c=np.ap]]></description><category></category></item><item><title><![CDATA[python的拷贝操作]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/109397817</link><guid>https://blog.youkuaiyun.com/dedell/article/details/109397817</guid><author>dedell</author><pubDate>Sat, 31 Oct 2020 08:53:03 +0800</pubDate><description><![CDATA[[:]和.copy()都属于“浅拷贝”，只拷贝最外层元素，内层嵌套元素则通过引用方式共享，而非独立分配内存，如果需要彻底拷贝则需采用“深拷贝”方式，如下例所示：
&gt;&gt;&gt;a = [1,2,['A','B']]
&gt;&gt;&gt;print('a={}'.format(a))
&gt;&gt;&gt;b = a[:]
&gt;&gt;&gt;b[0] = 9 #修改b的最外层元素，将1变成9
&gt;&gt;&gt;b[2][0] = 'D' #修改b的内嵌层元素
&gt;&gt;&gt]]></description><category></category></item><item><title><![CDATA[Python中的 @staticmethod@classmethod方法]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107991741</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107991741</guid><author>dedell</author><pubDate>Thu, 13 Aug 2020 21:55:42 +0800</pubDate><description><![CDATA[没有很完全的理解，还需要多次结合具体实际来学习
文章目录1 简介2 实例方法3类方法3.1 简介3.2使用场景3 静态方法3.1简介3.2 使用场景
1 简介
Python面向对象编程中，类中定义的方法有：
1、@classmethod 装饰的类方法
2、@staticmethod 装饰的静态方法
3、不带装饰器的实例方法（最为常用）
简单示例
class A(object):
    def m1(self, n):
        print("self:", self)

    @classmeth]]></description><category></category></item><item><title><![CDATA[CV之仿射变换]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107989139</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107989139</guid><author>dedell</author><pubDate>Thu, 13 Aug 2020 19:34:30 +0800</pubDate><description><![CDATA[仿射变换可以表示平移，旋转以及缩放，通常使用 2×32\times 32×3 矩阵来表示仿射变换，在opencv中，其本质是两幅图片之间的转换关系，而这种关系，只需要获得仿射前后对应的三点即可以用逆矩阵求出:

A=[a00a01a10a11]2×2B=[b00b10]2×1
A = \begin{bmatrix} a_{00} &amp; a_{01} \\ a_{10} &amp; a_{11} \end{bmatrix}_{2 \times 2}
B = \begin{bmatrix} b_{00} ]]></description><category></category></item><item><title><![CDATA[高斯滤波的窗口及标准差(笔记)]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107960123</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107960123</guid><author>dedell</author><pubDate>Wed, 12 Aug 2020 16:57:03 +0800</pubDate><description><![CDATA[高斯函数与高斯滤波
一维高斯函数：
G(x)=12πσexp(−(x−μ)22σ2) G(x)=\frac{1}{\sqrt{2 \pi} \sigma} exp(- \frac{{(x-\mu)}^2}{2\sigma^2})G(x)=2π​σ1​exp(−2σ2(x−μ)2​)
二维高斯函数为两个一维高斯函数的积：
G(x,y)=12πσexp(−(x−μx)22σx2−(y−μy)22σy2) G(x,y)=\frac{1}{\sqrt{2 \pi} \sigma} exp(- \frac{{(x-\]]></description><category></category></item><item><title><![CDATA[YOLO简述]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107782151</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107782151</guid><author>dedell</author><pubDate>Tue, 04 Aug 2020 11:24:47 +0800</pubDate><description><![CDATA[文章目录1 YOLOV1-V32 改进(缝合怪们)
1 YOLOV1-V3
YOLOv1（2015年6月8日）
YOLOv2（2016年12月25日）
YOLOv3 (2018年4月8日)
2 改进(缝合怪们)
YOLOv4 (2020年4月24)

YOLOv5 (2020年6月25日，暂无论文)

PP-YOLO(2020年7月23日)

reference:YOLO 系目标检测算法家族全景图

...]]></description><category></category></item><item><title><![CDATA[BN操作详解]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107669261</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107669261</guid><author>dedell</author><pubDate>Wed, 29 Jul 2020 16:43:08 +0800</pubDate><description><![CDATA[文章目录1 作用2 流程
BN是由Google于2015年提出，论文是《Batch Normalization_ Accelerating Deep Network Training by Reducing Internal Covariate Shift》。
1 作用
1将输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，加快训练速度。
2另一方面使得每一层可以尽量面对同一特征分布的输入值，减少变化带来的不确定性。
BN可以防止学习过程中梯度消失，这一点论文中有阐述，作者说可以如果使用si]]></description><category></category></item><item><title><![CDATA[CVPR2020个人总结（阅读笔记）]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107424186</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107424186</guid><author>dedell</author><pubDate>Sat, 18 Jul 2020 10:08:31 +0800</pubDate><description><![CDATA[原文
有空细读，很好的文章
1. Unsupervised Learning
比较有代表性的任务主要分两个方向，
1）low-level task
学光流，深度，correspondence等信息。[1, 2]
2）representation learning
学习representation，以期学到的representation可以帮助down-stream tasks。[3, 4, 5, 6, 7, 8, 9].
这两年间比较火的方式是用instance discrimination（实例区分）的方]]></description><category></category></item><item><title><![CDATA[一文看尽物体检测中的各种FPN（阅读笔记）]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/107136350</link><guid>https://blog.youkuaiyun.com/dedell/article/details/107136350</guid><author>dedell</author><pubDate>Mon, 06 Jul 2020 12:11:58 +0800</pubDate><description><![CDATA[文章目录引言FPN的演进1）无融合2）自上而下单向融合3）简单双向融合4）复杂的双向融合ASFFNAS-FPN和BiFPNRecursive-FPN(当前最佳)M2det中的SFAM
引言
早期的目标检测算法（无论是单阶段还是双阶段）通常都是在Backbone的最后一层的特征图直接外接检测头做物体检测。其输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此一般会将最后一个stage（backbone中featuremap分辨率相同的若干层）的MaxPooling去掉或者将stride为2]]></description><category></category></item><item><title><![CDATA[DenseNet及其变体PeleeNet、VoVNet（阅读笔记）]]></title><link>https://blog.youkuaiyun.com/dedell/article/details/106795834</link><guid>https://blog.youkuaiyun.com/dedell/article/details/106795834</guid><author>dedell</author><pubDate>Wed, 17 Jun 2020 00:08:13 +0800</pubDate><description><![CDATA[原文
1 DenseNet
1.1特点
1）神经网络一般需要使用池化等操作缩小特征图尺寸来提取语义特征，而Dense Block需要保持每一个Block内的特征图尺寸一致来直接进行Concatnate操作，因此DenseNet被分成了多个Block。Block的数量一般为4。
2）两个相邻的Dense Block之间的部分被称为Transition（过渡）层，具体包括BN、ReLU、1×1卷积、2×2平均池化操作。1×1卷积的作用是降维，起到压缩模型的作用，而平均池化则是降低特征图的尺寸，使feature ]]></description><category></category></item></channel></rss>