墨门

3.2 loss函数—— CTC LossCTC Loss是一个易于使用的loss函数；3.2.1 原始CTC存在的问题此图片来自于李宏毅老师的课程视频，

目录1 前言2 框架选择3 项目需求3.1 自动更新4 开发环境4.1 Yarn安装4.2 基础库安装react-fontawesome5 项目初始化&配置5.1 复制ERB模板5.2 安装ERB项目依赖5.2.1 使用“yarn”命令进行项目依赖包的安装5.3 安装electron5.3 安装第三方依赖5.4 启动调试5.4 脚手架预配置5.5 移植时node_modules文件夹可以删除6 软件运行分析6.1 端口检测——`./internals/scripts/CheckPortInUse.j

1 致谢感谢PaddleDetection对开源社区的分享以及在目标检测领域做出的贡献！2 Letterbox——YOLO家族使用的预处理方法代码链接：yolov5-letterbox

1 地图格式参考Apollo-OpenDRIVE；

1 历史版本参见《对于electron-react-boilerplate(ERB)的学习笔记(legacy)》2 前言这里我们来学习一下electron-react-boilerplate的目录结构；3 electron-react-boilerplate的复制进入electron-react-boilerplate的官方网站使用git进行复制：https://github.com/electron-react-boilerplate/electron-react-boilerplate#in

1 前言我们开始进行实例分割的学习~2 数据集——APOLLOSCAPE-Lane-Segmentation我们选择的数据集是来自于APOLLO的车道线数据集；数据集的构成，训练数据：road02、road03和road04测试数据：road05

1 前言VoTT是一个很好的数据标注工具，使用React+Redux进行开发，值得我们进行学习～3 运行调试3.1 代码的执行顺序——“主程序的函数入口”启动项目，使用“npm start”，如下图所示，于是我们来看看“npm start”的脚本内容，打开package.json，找到“npm start”对应的命令行，这里使用了nf命令，（我之前不太明白这个命令的作用，于是就咨询了一下张老师），我们了解到，我们进入nf会通过一个Procfile文件来执行进程启动的命令，我们来看看Procfi

1 前言我们需要自己开发一款标注软件～2 框架选择应用框架：Electron+ReactUI组件库：Bootstrap (React Bootstrap)样式方案：.scss/.css6 写作方法6.1 引入第三方样式6.1.1 引入全局css样式可以把将该样式文件在app.global.css中进行引入，然后在组件中，可以使用下面的示例方式调用样式：也就是使用HTML方式直接调用样式；...

6 随笔6.1 Word Embedding在南溪看来，Word Embedding是一项很好的技术；它将单词用embedding进行表示，从而使得embedding具有了（在距离上的）语义信息；那么Word-Embedding技术如何用于数字公式识别呢？其实这里是使用了一种类似于self-supervised的思想，首先我们假设：我们可以从单词的one-hot编码，映射出一种多维度的特征，这里有点像“转置卷积”中的“补绘”的思想！所以我们的目标就是学习出这样的embedding，这里我们

1 输出信息的格式化——str.format()函数对于输出信息的格式化，我们使用的是.format()函数；

1 前言这里我们来学习一下electron-react-boilerplate的目录结构；

1 前言序列映射我们当前准备使用Transformer的结构；2 词表建立的规则我们使用空格作为统一的分隔符；

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 致谢感谢Python中提供的difflib的函数库～2 前言我们希望可以打造一个属于自己的OCR模型～3 后处理在经过OCR的识别过程之后，识别出来的文字可能会出现错误，所以还需要进行后处理；3.1 相似度匹配——difflib我们使用相似度来找出词表中相似度最高的名字，使用的函数库是difflib,3.1.1 使用set_seq1()和set_seq2()进行性能的优化在difflib的文档中，他们给出了这样的优化建议：SequenceMatcher 计算并缓

1 前言我们需要自己开发一款标注软件～2 框架选择UI框架——Qt

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 致谢感谢网友pprp的帮助，原文链接：https://mp.weixin.qq.com/s/rIMOKYgXaFEbvRZ14brrjw2 MOT算法的介绍MOT算法主要分为4个部分，（这里沿用了pprp文章《Deep SORT论文阅读总结》中的描述），MOT算法的框架分为以下几个部分：目标检测：在南溪看来，Detection算法是基于深度学习的目标检测的最主要的发...

1 环境测试Dell的帧率是满足要求的，大概在10fps以上；

1 卷积通道裁剪

2 备注2.1 Autoware的跟踪模块的预测是用什么算法实现的？石方是这样说的：

1 知识迁移——遥感图像镶嵌我们使用“遥感图像镶嵌”的方法来做遥感图像的拼接；

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 Tracking的作用1.1 防止遮挡造成的检测失效在目标被其它目标遮挡时，很可能造成检测失效，这是可以通过Tracking来获得目标的位置；

1 HD map的格式我们使用OpenDRIVE格式来构建高精度地图，（参考Apollo的构建方式）

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 卡尔曼滤波在自动驾驶中的作用1.1 多传感器的信号融合《百度自动驾驶系列课程》里面讲到： “卡尔曼滤波可以用来进行GPS和IMU的信号之间的校准；”1.1 帧间位置的插值（用来进行加速）我请教赵老师关于卡尔曼滤波在人脸跟踪中的作用时，他说到：“卡尔曼滤波可以跟踪、加速，不用每帧都检测；”可以看到，卡尔曼滤波的插值作用可以用来在多目标跟踪中进行加速；1.2 通过插.........

1 前言我们选择基于SLAM的方法来绘制高精度语义地图；2 使用的特征子算法——ORB特征子我们使用ORB特征子来建图，因为听女王大人说ORB的效率比较高；...

1 视觉传感器摄像头采样率：60Hz；