<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fireflychh的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fireflychh</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fireflychh]]></copyright><item><title><![CDATA[1_6 建图定位]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/131562203</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/131562203</guid><author>fireflychh</author><pubDate>Tue, 11 Jul 2023 16:32:33 +0800</pubDate><description><![CDATA[例如，我们为估计器节点实例化了几种算法，包括SPP、RTD、RTK、PPP、基于SPP的松耦合（LC）和紧耦合（TC）GINS、基于SPP的Solution/Raw/Raw（SRR）和Raw/Raw/Raw（RRR）GVINS、基于RTK的LC GINS、TC GINS、SSR GVINS和RRR GVINS。在这样的系统中，充分利用全球导航卫星系统的作用是麻烦的，因为公式、误差模型、卫星星座、信号频率和服务类型的选择多种多样，这导致了不同的精度、稳健性和使用依赖性。这些细节为我们的系统带来了非凡的性能。]]></description><category></category></item><item><title><![CDATA[1_5 Occupancy network]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/131468938</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/131468938</guid><author>fireflychh</author><pubDate>Sat, 01 Jul 2023 18:11:00 +0800</pubDate><description><![CDATA[本文不想已经存在的单一任务优化方法，而是构建BEV的时空视频特征并联合推断视觉自动驾驶多任务。之前的任务是目标检测和地图语义分割一起做，之后再进行运动预测，本文中三项任务一起进行并可以平衡任务间的性能；本文与之前任务的差别。]]></description><category></category></item><item><title><![CDATA[1_7后端优化]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130985260</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130985260</guid><author>fireflychh</author><pubDate>Thu, 01 Jun 2023 20:32:34 +0800</pubDate><description><![CDATA[所谓Bundle Adjustment可以理解为从任意特征点发射出来的几束光线，它们会在几个相机的成像平面上变成像素或是检测到的特征点。如果我们调整各相机姿态和各特征点的空间位置，使得这些光线最终收束到相机光心，简称BA。对这个最小二乘进行求解，相当于对位姿和路标同时做了调整，也就是所谓的BA。相机投影过程是从一个世界坐标系中的点p出发，把相机的内外参数和畸变考虑进来，最后投影成像素坐标。具体，这里的x指代此时相机的位姿，即外参R，t，对应的李群为T，李代数。y为路标，即三维点p，而z为观测数据，即。]]></description><category></category></item><item><title><![CDATA[1_5 光流法计算VO(optical_flow)]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130968306</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130968306</guid><author>fireflychh</author><pubDate>Wed, 31 May 2023 16:20:37 +0800</pubDate><description><![CDATA[由于上述的光流公式是一个二元一次方程，欠定的，所以需要引入额外的约束。(2) 在不同图像中寻找特征匹配，                非常耗时   O(n^2) 暴力匹配。(1) 在图像中提取特征点并计算特征描述， 非常耗时  ~10+ms  ORB，shift耗时更多；(3) 利用匹配点信息计算相机位姿，             比较快速]]></description><category></category></item><item><title><![CDATA[1_4 3D点与2D匹配计算相机pose]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130937093</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130937093</guid><author>fireflychh</author><pubDate>Tue, 30 May 2023 08:51:38 +0800</pubDate><description><![CDATA[对于BA方法实际上是通过优化最小误差进行实现，而优化方法可以有多种方式，包括采用高斯-牛顿法、g2o、ceres等工具库，这里介绍高斯-牛顿法和g2o两种方法；直接法可以利用opencv中已有的函数solvePnP(pts_3d, pts_2d, K, Mat(), r, t, false)进行求解；对于已知3D点和2D点的匹配关系，进而计算相机位姿的方法有两大类，一类是直接求解法，包括DLS、PNP等；一类是基于BA的优化方法；为了简化计算，这里将。]]></description><category></category></item><item><title><![CDATA[1_2 图像与图像间恢复pose]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130936542</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130936542</guid><author>fireflychh</author><pubDate>Mon, 29 May 2023 21:25:06 +0800</pubDate><description><![CDATA[采用opencv的findEssentialMat(points1, points2, focal_length, principle_point)函数可以根据图像匹配点计算出本质矩阵，进而通过opencv的recoverPose(essential_matrix, points1,points2,R,t, focal_length, principle_point)计算出旋转R和平移t。由于2d图像计算出的旋转平移没有尺度信息，所以计算过程中采用了归一化信息，即t的模长为1。]]></description><category></category></item><item><title><![CDATA[1_Occupancy network]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130627306</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130627306</guid><author>fireflychh</author><pubDate>Thu, 11 May 2023 17:45:02 +0800</pubDate><description><![CDATA[标注数据流需要3D数据库，每个场景包含如下数据，分别是多摄像头的图像序列；除此以外，我们需要人工标注常见目标并选择性标注点级别的语义标签；通过slam实现点云重建，重点将点云和IMU位姿进行联合优化。本文构建了3D占据栅格标注数据流程以及标准数据集，并提出了粗到精的占据栅格网络且性能相较于BEVDet和BEVFormer有一定提升。通过占据点与摄像头连线，得到观测和非观测，没有每扫描到的点也设置为非观测点。确定voxel是否3D占据是非常重要的，评估只是在雷达和摄像头的可观测的部分进行。]]></description><category></category></item><item><title><![CDATA[1_2 pytorch 调试相关问题]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130559639</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130559639</guid><author>fireflychh</author><pubDate>Tue, 09 May 2023 17:41:07 +0800</pubDate><description><![CDATA[由于网络里连用两个nn.ReLU(inplace = True)，由于是inplace操作，所以不产生中间变量，导致backward的时候，缺失这部分需要的变量，测试了将 inplace = False，不行，pass。通过nvidia-smi查看显存占用，通过fuser -v /dev/nvidia*进行nvidia的进程，变量赋值时出现错误，就是不能使用 += 等符号，将其拆开写，测试了下，成功。可能是gpu中的显存被占用没有清空；变量名不能用一样的，不行，pass。]]></description><category></category></item><item><title><![CDATA[1_3 工具使用]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130571567</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130571567</guid><author>fireflychh</author><pubDate>Tue, 09 May 2023 07:37:03 +0800</pubDate><description><![CDATA[2、为jupyter添加新的kernel，将conda通过source activate fuyao1切换到对应的环境，之后。3、在jupyter中使用from argparse import SUPPRESS, ArgumentParser。args = cls._parser.parse_args(args=[])  需要在括号中添加args=[])   在对应位置添加默认内容default即可。1、获取jupyter 对应kernel。]]></description><category></category></item><item><title><![CDATA[1_1torch基础知识]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/130384444</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/130384444</guid><author>fireflychh</author><pubDate>Mon, 08 May 2023 19:30:00 +0800</pubDate><description><![CDATA[一般参数情况下有学习参数使用nn.Module，其他情况用nn.functional相对更简单一些。其中先看官网安装torch需要的cuda版本，之后安装cuda版本，之后采用pip 下载对应的torch的gpu版本whl来进行安装。6、加载预训练模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可用人家训练好的权重参数来继续训练，也就是所谓的迁移学习。需要注意的是别人训练好的任务跟咱们得可不是完全一样，需要把最后head层改一改，一般也就是最后的全连接层，改成咱们自己的任务；]]></description><category></category></item><item><title><![CDATA[pytorch onnx install]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/85722211</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/85722211</guid><author>fireflychh</author><pubDate>Wed, 26 Apr 2023 13:50:16 +0800</pubDate><description><![CDATA[1 which protoc is



1191 pip install onnx
1192 which pip
1193 python
1194 conda install pytorch torchvision -c pytorch
1195 python
1196 conda install future]]></description><category></category></item><item><title><![CDATA[vision环境安装]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/128708859</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/128708859</guid><author>fireflychh</author><pubDate>Tue, 17 Jan 2023 09:08:26 +0800</pubDate><description><![CDATA[vision环境安装]]></description><category></category></item><item><title><![CDATA[pytorch 与 onnx安装]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/85722525</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/85722525</guid><author>fireflychh</author><pubDate>Thu, 03 Jan 2019 21:38:29 +0800</pubDate><description><![CDATA[1、which protoc是按照huan环境变量查找可执行程序；

2、ananconda 应该不会安装cuda的不同版本，如果需要不同版本，可以安装多个版本的cuda，程序回到不同的文件路径下去找cuda

3、conda install 最好不好加-c 和conda-forge， 因为这个是在该库下装软件，不同的库之间的package可能会有冲突；

 

pip install onnx
...]]></description><category></category></item><item><title><![CDATA[source.list]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/84774458</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/84774458</guid><author>fireflychh</author><pubDate>Mon, 03 Dec 2018 17:23:38 +0800</pubDate><description><![CDATA[# deb cdrom:[Ubuntu 16.04 LTS _Xenial Xerus_ - Release amd64 (20160420.1)]/ xenial main restricted
deb-src [arch=amd64] http://archive.ubuntu.com/ubuntu xenial main restricted #Added by software-prope...]]></description><category></category></item><item><title><![CDATA[CMAKE使用]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/84659366</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/84659366</guid><author>fireflychh</author><pubDate>Fri, 30 Nov 2018 16:51:12 +0800</pubDate><description><![CDATA[1 、set   设置名称变量   如set(CMAKE_MODULE_PATH    ${CMAKE_CURRENT_SOURCE_DIR})

2、project(DriveworksSDK_Samples  C  CXX)?

3、find_package(CUDA  REQUIRED) 该命令用于在固定的目录下查找cmake文件，一般为FindCUDA.camke  CUDAConfig....]]></description><category></category></item><item><title><![CDATA[CS231N_训练神经网络下_更好的优化(7)]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/83813110</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/83813110</guid><author>fireflychh</author><pubDate>Wed, 07 Nov 2018 20:27:18 +0800</pubDate><description><![CDATA[一、优化算法

          优化算法有很多中，其中最为简单常见的是SGD（stotastic gradient descent）算法，但该算法也有缺点，即对于高维网络的优化，由于高维的网络会存在很多鞍点，即梯度为零的点，如果学习率不大，就有可能会停留在鞍点而无法再优化，所以一种改进的方法是在随机梯度下降算法的基础上加上了动量（momentum）。

          动量实际上就是以一定...]]></description><category></category></item><item><title><![CDATA[深度学习评价指标]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/83590716</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/83590716</guid><author>fireflychh</author><pubDate>Wed, 31 Oct 2018 21:42:20 +0800</pubDate><description><![CDATA[     与目标识别不同，目标检测中不仅仅需要在一张图片中检测到是否含有某物体，还需要将该物体的位置找出来，所以在判定模型的好坏时，就有其标准--mAP

一、Mean Average Precision--mAP

(一)什么是mAP

      平均精度均值（mAP）是预测目标位置以及类别的这一类算法的性能度量标准。mAP对于评估目标定位模型、目标检测模型以及实例分割模型非常有用。

   ...]]></description><category></category></item><item><title><![CDATA[与远程服务器交互相关]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/83212420</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/83212420</guid><author>fireflychh</author><pubDate>Sat, 20 Oct 2018 12:36:11 +0800</pubDate><description><![CDATA[1、读远程服务器的图片

1）显示远程图片
ssh -Y USER@REMOTE
eog IMG

2）也可以在远程简单临时架个服务器，
python2 -m SimpleHTTPServer
本地浏览器地址输入 服务器IP:8000 也可以看到图

 

2、tmux操作

         tmux安装 sudo apt install tmux   fonts-powerline，其中fon...]]></description><category></category></item><item><title><![CDATA[COCO数据集格式]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/83040205</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/83040205</guid><author>fireflychh</author><pubDate>Sat, 13 Oct 2018 20:20:41 +0800</pubDate><description><![CDATA[一、COCO数据集JSON文件格式

json文件主要包含以下几个字段：

&amp;lt;class 'dict'&amp;gt;


{
    &quot;info&quot;: info, # dict
     &quot;licenses&quot;: [license], # list ，内部是dict
     &quot;images&quot;: [image], # list ，内部是dict
     &quot;annotations&quot;: [annotat...]]></description><category></category></item><item><title><![CDATA[numpy相关]]></title><link>https://blog.youkuaiyun.com/fireflychh/article/details/82759609</link><guid>https://blog.youkuaiyun.com/fireflychh/article/details/82759609</guid><author>fireflychh</author><pubDate>Thu, 20 Sep 2018 16:42:02 +0800</pubDate><description><![CDATA[1、np.prod(a, axis=None, dtype=None, out=None, keepdims=False)

根据给定的轴计算矩阵元素的乘积。

空阵列的产物是元素1:


&amp;gt;&amp;gt;&amp;gt; np.prod([])
1.0

默认情况下，计算所有元素的乘积，即使输入数组是二维的:


In [3]: np.prod([[1.,2.],[3.,4.]])
Out[3]: 24...]]></description><category></category></item></channel></rss>