墨门

1 CNN的优势1.1 对齐性CNN对于sample和target是对齐的情况效果比较好；

1 人物分类的数据集自己制作数据集；

1 安装说明关于ROS2在Win10系统上的安装，请参考docs.ros.org – Installing ROS 2 on Windows

1 PaddleDetection介绍PaddleDetection是由百度推出的目标检测开源模型库；2 模型训练/评估/预测infer.py —— 模型预测# 预测python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/000000570688.jpg2 运行分析2.1 图像预测我们可以使用如下的命令来预测图像中的物体目标# 用PP-YOLO算法在COCO数据集上预训练模型预测一张图片pytho

1 地图格式参考Apollo-OpenDRIVE；

1 前言我们项目组的标注软件将使用Electron来开发；2 引入组件名使用require语句来引入组件名；如图所示，

1 致谢感谢志兴老师的代码和指导！2 矩形框检测的基本流程1. 根据图像特点，根据通道值进行灰度化，这里我们选取的是[B,R]这两个通道；（我们这里不进行高斯模糊，因为图像的噪声比较小；主要原因是：目标矩形框的边缘比较细）2. 使用开运算获得梯度图；2.1 使用开运算获得梯度图通过实验，我们可以知道，开运算的kernel_size决定的图像的“晕染”程度，（kernel_size越大，墨晕效果的范围越大，看起来“似乎就是更加地模糊”）这是kernel_size设到30

1 前言CenterNet的代码还是有点难懂，不过还是要感谢各位同学分享的资料～2 CenterNet代码的学习笔记2.1 数据读取——COCO类COCO类是用来进行数据读取的，读取之后获得的item有以下几个属性：'image': img,'hmap': hmap, 'w_h_': w_h_, 'regs': regs, 'inds': inds——inds指的是目标中心的线式索引，其中“线式索引”指的是将单张特征图平铺为一维向量之后的索引（或者说坐标），从inds的计算

1 预处理DENSE_RATIO = 4选择比例为4的原因如下：1. DetectoRS的FPN最下层特征图的采样比例为4，可以看看他们的配置文件：https://github.com/joe-siyuan-qiao/DetectoRS/blob/master/configs/DetectoRS/DetectoRS_mstrain_400_1200_x101_32x4d_40e.py...

1 参考项目参考《机器人操作系统入门》的“第十课 Navigation”进行写作；

1 融合算法的选择——使用EKF因为Apollo使用的是EKF，所以我们也用EKF，（具体的资料可以查看issues_10957）《无人驾驶》课程老师推荐的论文《EKF、UKF、PF目标跟踪性能的比较》中也是这样说的，...

1 驾驶员反应能力与最高时速的安全可靠性分析——EI收录这是文章中的一个图表，可以看到驾驶员的反应时间的确在400ms的范围附近；

1 前言我们准备开始做车道线检测的项目，搭建一个帅气的车道线检测的模型～2 模型使用HRNet；

1 前言贾老师在《自动驾驶》课上说到了机器人系统的框架，我截图下来啦，