大脸猫的博客

下载地址与描述数据集官网下载地址：The KITTI Vision Benchmark Suite3D目标检测数据集由7481个训练图像和7518个测试图像以及相应的点云数据组成，包括总共80256个标记对象。上图红色框标记的为我们需要的数据，分别是彩色图像数据（12GB）、点云数据（29GB）、相机矫正数据（16MB）、标签数据（5MB）。其中彩色图像数据、点云数据、相机矫正数据均包含training（7481）和testing（7518）两个部分，标签数据只有training数据。需要

目录距离方位角大致测量过程射频数据的特性（对于目标检测而言）一些要素最近在看RODNet，顺便记录一下上面提到的有关雷达的玩意儿。距离方位角大致测量过程Chirp信号 -> 目标 -> 反射回波 -> 预处理 -> 快速傅里叶变换 -> 距离测量 -> 低通滤波去除高频噪声 -> 第二个快速傅里叶变换（不同接收天线）-> 方位角信息 -> 距离-方位角图对于上面的预处理，还得去研究研究包括哪些方法。射频数据的特性（

目录导读摘要简介相关工作FPN算法FPN应用于RPNFPN应用于Fast RCNN对比实验FPN对RPN网络的影响FPN对Fast RCNN网络的影响总结参考文献导读《Feature Pyramid Networks for Object Detection》这篇文章主要是用来解决Faster RCNN物体检测算法在处理多尺度变化问题时的不足。Faster RCNN中无论是RPN网络还是Fast RCNN网络，都是基于单个高层特征（conv4）。这

占个坑，后续会更新

前言在RPN网络得到了一堆proposals / Region of Interest后，我们需要对这些proposals进行特征提取，进而完成分类任务，然而因为目标物体的大小各不相同，所以我们不能简单地使用固定大小的max-pooling来进行特征池化，而应当使用ROI Pooling根据不同大小的proposal进行特征池化。ROI Pooling对于大目标物体的效果很好，但对于小目标物体效果很差，因此后人又引入了ROI Align。ROI Pooling首先我们可以看到ROI pool

这是一个出自Faster R-CNN论文中的用于产生2D proposal的神经网络，目前也被改进用于3D-proposal的产生，RPN一般会和目标检测器配合使用，两者组合形成2-stage object detection。这周的汇报中我将RPN的主要部分整理成了一份PPT，各位在看Faster R-CNN和其他用到RPN的目标检测网络之前可以先看一下这个RPN大概有那些要点，这样就可以有的放矢地去读论文。链接：https://github.com/GuanRunwei/Fusion-of-Ra