- 博客(68)
- 收藏
- 关注
RSS订阅原创 RangeNet++: Fast and Accurate LiDAR Semantic Segmentation阅读小结
目标：提升自动驾驶车辆中激光雷达（LiDAR）数据的语义分割技术，提供独立于视觉传感器的语义信息源。方法：提出一种新方法，通过距离图像和卷积神经网络（CNN）实现激光雷达点云的实时语义分割。贡献：新后处理算法解决离散化误差和模糊CNN输出问题，实验显示方法超越现有技术，可在线实时运行。
2025-01-22 12:33:39
607
原创 新能源汽车图像分类-pytorch应用实践
新能源汽车图像分类 - ClassifySI 框架实践区分 Taycan、WeiLai_ET7、XiangJie_S9、XiaoMi_SU7、XiaoPeng_P7、ZhiJie_S7 六类汽车图片。
2025-01-22 12:15:25
812
原创 PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space阅读小结
PointNet++旨在解决PointNet在捕获局部结构方面的局限性，特别是在度量空间中。通过递归地在点集的嵌套划分上应用PointNet，PointNet++能够学习局部特征，并在不同的上下文尺度上进行特征提取。论文还提出了一种新的集合学习层，以适应不同密度的点集，提高网络的性能和鲁棒性。
2025-01-13 20:48:20
862
原创 3D Semantic Segmentation in the Wild: Learning Generalized Models for Adverse-Condition Point Clouds
论文中提出了，一个专门为研究在下进行而设计的数据集。该数据集包含了密集的点级注释，所有数据都来自条件（包括浓雾、轻雾、降雪和降雨）。这一数据集的特点是填补了现有3D分割模型的一个空白，因为大部分现有模型训练时使用的点云数据来自正常天气条件。本研究是首次探索 3DSS的尝试。利用SemanticSTF 数据集使正常到恶劣环境的成为可能。自动驾驶系统高度依赖点云来进行环境感知，这些点云通常是在不同的天气条件下获取的。
2025-01-13 20:44:11
1048
原创 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation阅读小结
背景：点云是3D几何数据的一种重要结构，但其不规则性使得传统深度学习方法难以直接应用。贡献：提出了PointNet，一种新型神经网络，能够直接处理点云数据，保持对输入点排列的不变性。性能：在多个3D识别任务上，PointNet表现出与或超过最先进技术的性能。
2025-01-12 21:57:25
920
原创 图像分类通用简易框架 - ClassifySI
实现一个简易框架，用于进行深度学习图像分类的入门探索。可通过提前准备或爬取的数据集和自定义的网络结构进行训练及测试。
2025-01-12 21:51:55
769
原创 PolarNet复现
60epochs只需要训练23hours左右，并在45epoch时达到最好结果。在ptBEVnet实例化网络时，pt_selection = 'farthest’使用FPS策略进行训练。训练25epochs，共训练78hours左右。nuScenes数据集训练40epochs。训练后在sequence08上的验证结果。默认参数训练，共训练55hours左右。TitanXp(12GB)单卡。最好结果出现在38epochs。最好结果出现在19epoch。训练60epochs。
2025-01-11 21:07:30
144
原创 PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation阅读小结
背景: 自动驾驶系统中对细粒度感知的需求推动了对单次扫描LiDAR点云在线语义分割的研究。挑战: 近实时延迟需求、LiDAR点云空间分布不均以及细粒度语义类别数量增加。PolarNet: 提出了一种新的LiDAR特定、无需最近邻的分割算法，使用极坐标系下的鸟瞰图表示，平衡了网格单元中的点分布。结果: 在真实城市LiDAR单次扫描的三个不同分割数据集上，mIoU显著提高，同时保持近实时吞吐量。
2025-01-11 21:03:49
903
原创 BEVDet4D: Exploit Temporal Cues in Multi-camera 3D Object Detection阅读小结
单帧数据包含有限信息，限制了基于视觉的多相机3D目标检测性能。BEVDet4D提出：提出BEVDet4D范式，将BEVDet从仅空间的3D扩展到时空4D工作空间。改进：通过融合前后帧特征，以极小的计算成本获取时间线索，将速度预测任务简化为位置偏移预测。性能：在nuScenes基准测试中，BEVDet4D-Base配置以54.5%的NDS刷新记录，超越BEVDet-Base 7.3%。
2024-11-02 17:02:01
691
原创 Lift, Splat, Shoot Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D阅读小结
本文提出了一种新的端到端架构，能够直接从任意数量的摄像机图像中提取鸟瞰视图（BEV）场景表示。核心思想是将每个图像**"Lift"到每个摄像机的特征视锥体中，然后将所有视锥体“Splat”到一个BEV视图网格中。通过在完整的摄像机阵列上训练，模型能够学习如何表示图像以及如何将所有摄像机的预测融合成一个连贯的场景表示**，同时对校准误差具有鲁棒性。在标准的鸟瞰视图任务，如物体分割和地图分割上，该模型超越了所有基线和先前的工作。
2024-11-01 15:11:28
987
原创 BEVDet: High-Performance Multi-Camera 3D Object Detection in Bird-Eye-View阅读小结
BEVDet是一种模块化设计的3D目标检测框架，以鸟瞰视图 (Bird-Eye-View, BEV) 执行3D目标检测，通过现有模块构建其框架，并通过定制数据增强策略和优化非极大值抑制策略，大幅提升检测性能。BEVDet在nuScenes验证集上表现出色，BEVDet-Tiny版本仅占用215.3 GFLOPs，速度比FCOS3D快9.2倍。BEVDet-Base版本则在精确度上大幅领先。
2024-10-27 20:54:11
797
原创 BEVDet-Tiny复现Nuscenes-Mini数据集
阅读论文，想要复现BEVDet的Tiny版本，在原作者的Github最新branch分支中，./configs/bevdet下已经没有tiny的py文件了。将mini dataset下载后的v1.0-mini.tgz解压出来可得到名为v1.0-mini的文件夹，改名为nuscenes，并移动到项目根目录下的。如果数据集不在data文件夹下，需要替换–root-path为相应文件路径，并且在后续训练测试时需要修改config文件。中没有vis.py文件，所以从别的分支中下载vis.py文件并移动至。
2024-10-26 17:44:16
554
原创 BEVDet-r50复现debug实录
进入nuscenes官网注册账号登陆后https://www.nuscenes.org/nuscenes#download下载mini数据集。查找相关解答，‘Config’在mmcv2.0.0以后移动到了mmengine中，需要修改代码，改变思路，重新进行安装。Map expansion下载解压后将文件移动到mini dataset解压出来的Map文件夹中；将mini dataset下载后的v1.0-mini.tgz解压，并改名为nuscenes；在项目根目录下的vis文件夹中。生成项目对应格式的数据集。
2024-10-23 23:09:48
482
原创 FB-BEV: BEV Representation from Forward-Backward View Transformations阅读小结
论文提出的方法称为Forward-Backward View Transformation（FB-BEV），是一种结合了前向和反向投影的方法，以解决现有的BEV视觉识别方法的局限性(BEV 特征稀疏或由于投影不准确而导致假阳性特征)。本文提出一种前后投影模式，解决当下投影方法的种种不足——通过解决前向投影生成的稀疏特征，以及在反向投影中引入深度信息，构建了一个更加准确的投影关系。通过这种方法，FB-BEV可以同时利用前向和反向投影的优点，生成高质量的BEV特征。生成一个稀疏的BEV特征，然后使用。
2024-09-19 20:04:52
1050
原创 Center-based 3D Object Detection and Tracking阅读小结
提出CenterPoint框架，用于从激光雷达点云中进行3D目标检测和跟踪任务。 CenterPoint将目标表示为点，从而简化检测和跟踪过程： 在backbone构建输入点云的表示并flatten以后，首先使用关键点检测器（keypoint detector）检测对象的中心，并回归到其他属性，包括3D大小、3D方向和速度。在第二阶段使用对象上的其他点特征来细化这些估计。该方法使用标准3D点云编码器和几个卷积层来生成BEV的hotmap和其他密集回归输出。
2024-09-19 19:55:57
952
原创 408计算机网络各层协议介绍
计算机网络各层协议总结，涵盖了物理层、数据链路层、网络层、传输层、会话层、表示层和应用层等各个层级的关键概念和协议。内容详细解释了各个层级的功能、任务以及所涉及的主要设备和协议，如中继器、集线器、网桥、路由器等，并对TCP/IP协议族中的关键协议如HDLC、PPP、IP、TCP、UDP等进行了深入阐述。此外，还介绍了与邮件、文件传输、动态IP地址分配等应用相关的协议，如POP3、SMTP、FTP和DHCP。
2024-05-13 19:34:16
3968
1
原创 考研复试-数据库相关问答
因此，数据库视图是数据库管理和应用程序开发中的强大工具，它们提供了一种更高层次的数据抽象，增强了数据安全性，简化了数据访问，提高了查询性能，同时也为业务需求提供了更灵活的数据访问方式。，是指数据库在运行过程中，由于硬件故障、数据库软件及操作系统的漏洞、突然停电灯情况，导致系统停止运转，所有正在运行的事务以非正常方式终止，需要系统重新启动的一类故障。，一个表中如有大量的索引，不仅占用磁盘空间，而且会影响INSERT,DELETE,UPDATE等语句的性能，因为当表中的数据更改的同事，索引会进行调整和更新。
2024-04-07 18:31:12
386
1
原创 考研复试-专业问答
在深度学习的课程设计中，我先自己的利用搭建的CNN模型进行测试效果不好，主要是由于数据集的问题导致的过拟合。后面 转向利用迁移学习的方法，引入了预训练的MobileNetV2模型作为主干模型，并利用迁移学习的方法对其进行微调，以适应我的水果图像数据集， 大大的提高了分类的准确率，基本在95%以上。同时也可以进一步记录师生在景区的基本消费记录。数据挖掘（Data Mining）是一门交叉学科，它使用各种算法和技术，从大规模的数据集中发现、提取和分析有趣的模式、趋势和关联， 从而转化为有价值的信息和知识。
2024-04-07 18:30:07
696
原创 考研复试-专业英语问答
我也清楚地知道，xxx拥有优秀的教授和学生，浓厚的学习氛围和优美的校园环境，让我想成为其中的一员。好的方面在于针对我们的需求，通过软件后台大数据分析会找到很多的方法来面对用户的爱好有深入的了解，用户可以很好的找到需求软件。研究方面，我们现在对于人工智能的研究还只在很基础的层面，但是如果人工智能能模仿人类的思维那么确实应该值得好好思考。首先一个方面是在人工智能的深入研究方面，我们现在对于人工智能的研究还只在很基础的层面，但是如果人工智能能模仿人类的思维那么确实应该值得好好思考。
2024-04-07 18:28:55
503
原创 考研复试-通用问答
如果确定自己没有能力继续去提升或者说再继续重复学习一年，那么我会先去招工作，提升自己的实践能力，在工作的时候利用空闲时间去考个非全的研究生。在系统地复习和学习这些知识的同时，也扩宽了自己的专业知识面，第二个阶段就通过前去积累的数据以及软件知识，通过学习导师以及师兄师姐的研究成果，努力更新属于自己的研究领域方向的知识，，许多专业课程只是“浅尝辄止”，并没有进行深入的学习，所以我希望继续攻读研究生，能够在研究生阶段不断。首先，考研需要大量的自主学习，也要解决各种专业知识问题，锻炼了我的自学能力。
2024-04-07 18:23:00
337
原创 考研复试-面经问答
封装就是将抽象得到的数据和行为（或功能）相结合，形成一个有机的整体，也就是将数据与操作数据的源代码进行有机的结合，形成“类”，其中数据和函数都是类的成员。瀑布模型又称为经典生命周期，它提出了一个系统的、顺序的软件开发方法，从用户需求规格说明开始，通过策划、建模、构建和部署的过程，最终提供完整的软件支持。4.TCP是面向连接的，而使用的低层网络可以是无连接的，也可以是连接的，但使用无连接的网络的会使整个网络系统更加灵活。有两层含义：一是指自变量和因变量之间的关系是线性的，二是指模型的拟合方式是线性的。
2024-04-07 18:20:52
895
原创 某程序设计语言的表达式由运算符θ1、θ2、θ3、标识符、（、）组成，其中θ1和θ2的优先级相同，θ3的优先级低于θ1、θ2的优先级，优先级相同的运算符从右往左计算，可以用括号改变运算的顺序，则下述四种
（对于一个包含运算符的语言，运算符的结合顺序、运算符的优先级在文法中反映为递归的方向和推导（或规约）的先后，左递归表明左边的运算先处理，对应的运算符左结合；某程序设计语言的表达式由运算符θ1、θ2、θ3、标识符、（、）组成，其中θ1和θ2的优先级相同，θ3的优先级低于θ1、θ2的优先级，优先级相同的运算符从右往左计算，可以用括号改变运算的顺序，则下述四种文法中哪一个可以描述上述的表达式文法？设E为识别符号，终结符号集={θ1、θ2、θ3、（、）、I}，非终结符号集={E、T、F}。先推导出来，即应为图。
2024-02-22 10:49:18
453
原创 408数据结构常考算法基础训练
408数据结构常考算法基础训练每日一道算法题训练，涵盖基本顺序表、链表和二叉树相关的基础算法，以及部分408真题中数据结构部分的算法题，并未包含图相关的算法，还需要进一步对图算法自行学习。
2023-12-28 15:19:01
781
原创 数据库大作业实训项目-民宿管理
Oracle数据库实训项目-民宿管理，本项目旨在借助数据库相关知识打造符合实际需求，结构完整的民宿管理系统，采用Oracle数据库实现各项需求。分为房间管理、入住、餐饮、活动、评价、留言六大功能模块。
2023-12-28 14:38:40
3063
原创 算法设计与分析实验报告-分支限界法
算法设计与分析实验报告-分支限界法。掌握分支限界法的基本思想及搜索方式;掌握分支限界法的算法框架;掌握分支限界法的基本应用。
2023-12-28 02:24:03
782
原创 MYSQL数据库设计题-窗帘店
MYSQL数据库设计题。有一个窗帘店，窗帘营销管理系统管理客户、订单等信息，其业务规则如下：软件为客户信息建立客户档案表（基本信息包括客户编号，姓名，地址，电话）。窗帘订单有各种类型的套餐，比如 1999 订单、3999 订单、自由订单等，类型信息放在订单类型表（类型编号，类型描述）。
2023-12-28 00:45:38
1076
原创 MYSQL数据库的安全管理-数据库实验六
1. 掌握用户账号的创建、查看、修改、删除的方法。2. 掌握用户权限设置方法。3. 掌握角色的创建、删除方法。
2023-12-28 00:40:42
4491
原创 MYSQL存储过程和存储函数-数据库实验五
1. 掌握通过 SQL 语句 CREATE PROCEDURE 创建存储过程的方法。2. 掌握使用 SQL 语句 CALL 调用存储过程的方法。3. 掌握使用 SQL 语句 ALTER PROCEDURE 修改存储过程的方法。4. 掌握使用 SQL 语句 DROP PROCEDURE 删除存储过程的方法。5. 掌握使用 CREATE FUNCTION 创建存储函数的方法。6. 掌握使用 SQL 语句 ALTER FUNCTION 修改存储函数的方法。7. 掌握使用 SQL 语句 DROP FUNCTION
2023-12-28 00:38:10
8131
1
原创 MYSQL数据库的备份与恢复-数据库实验七
MYSQL数据库的备份与恢复-数据库实验七1. 了解备份和恢复的基本概念。2. 掌握使用MySQL命令进行数据库备份的操作方法。3. 掌握使用MySQL命令进行数据库恢复的操作方法。
2023-12-26 17:43:56
7112
原创 基本路径覆盖测试设计-实验九例题
基本路径法是在程序控制流图的基础上，通过分析控制构造的环路复杂性，导出基本可执行路径的集合，然后根据可执行路径进行测试用例设计的方法。此方法设计出的测试用例需保证被测程序的每个可执行语句至少执行一次。基本路径法包括以下4个步骤。
2023-12-25 22:25:07
3700
1
原创 软件测试技术考试题库
软件测试技术考试题库。1、下面说法正确的是（）。（2.0）A、 经过测试没有发现错误说明程序正确B、 测试的目标是为了证明程序没有错误C、 成功的测试是发现了迄今尚未发现的错误的测试D、 成功的测试是没有发现错误的测试正确答案： C解析：2、导致软件缺陷的最大原因是 ( )。（2.0）A、 需求B、 设计C、 编码D、 测试正确答案：
2023-12-25 18:19:57
1985
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人