KeepSilent的博客

单目三维目标检测

退化图像：g(x,y)=h(x,y)★f(x,y)+η(x,y)g(x,y)=h(x,y)\bigstar f(x,y)+\eta(x,y)g(x,y)=h(x,y)★f(x,y)+η(x,y) 写成等价的频率域表示：G(u,v)=H(u,v)F(u,v)+N(u,v)G(u,v)=H(u,v)F(u,v)+N(u,v)G(u,v)=H(u,v)F(u,v)+N(u,v)频率特性是指傅里叶域中噪声的频率内容常见密度函数：​σ1​e−(z−z)2/2σ2瑞利p(z)={2b(z−a)e−(z−a)2/b,z

任何周期函数都可以表示为不同频率的正余弦之和。

由于requirements中有这么一句：spconv v1.0 (commit 8da6f96)。事情就变得不一样了，其中配置的一些环境的版本对于当下来说简直是上古级别。所幸实验室内的同学给予了我一定的帮助，最终跌跌撞撞地完成了环境的配置。python,torch,torchvision,cuda,cudnn,spconv,gcc, 总体上就配了这些，前三还好，后四有点小麻烦。

初始深度学习

三维物体检测中弱监督领域自适应的自训练由于不同类型的3D传感器、天气条件和地理位置等导致的不可避免的，在一个特定领域（即源领域）开发的3D检测器可能无法很好地推广到新的测试领域（即目标领域）。因此，在实际应用中，有效地适应在上训练的3D检测器到一个新的是非常需要的方法。