<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[themasterbi的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/themasterbi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; themasterbi]]></copyright><item><title><![CDATA[3D点云学习：SECOND目标检测③源码注释]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/107142574</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/107142574</guid><author>themasterbi</author><pubDate>Mon, 06 Jul 2020 02:12:35 +0800</pubDate><description><![CDATA[源码链接: PCDet.
根据论文.中给出的网络结构图，网络主要分为3个部分。
1 network structure
网络的主体框架在PCDet-master\pcdet\models\detectors\second_net.py中，可以清晰的看到网络的主体结构。

self.vfe：对应论文中的VFE，与论文介绍不同的是，源码中使用的是平均法求特征，没有使用卷积+maxpool的方法.
spconv.SparseConvTensor：输入是体素的原始数据，点云中点的数量以及点对应的体素的坐标（第三个没]]></description><category></category></item><item><title><![CDATA[3D点云学习：SECOND目标检测②源码注释]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/107132141</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/107132141</guid><author>themasterbi</author><pubDate>Sun, 05 Jul 2020 01:15:12 +0800</pubDate><description><![CDATA[源码链接: PCDet.
很遗憾，SECOND的算法复现也要依赖于spconv库，而spconv库目前只支持在ubuntu系统中进行编译（虚拟机也不行），复现还是没有成功，想去安装双系统了…
1 数据预处理PCDet-master\pcdet\datasets\kitti\kitti_dataset.py
SECOND数据的预处理与大多数点云目标检测的预处理相似，主要任务在于
1&gt;生成储存train/val数据info的文件kitti_infos_%s.pkl
2&gt;生成数据增强时使用的groun]]></description><category></category></item><item><title><![CDATA[3D点云学习：SECOND目标检测①论文阅读]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/107046609</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/107046609</guid><author>themasterbi</author><pubDate>Wed, 01 Jul 2020 03:23:44 +0800</pubDate><description><![CDATA[论文: 论文链接.
源码: 源码链接.
由于本来是准备研究PV-RCNN网络的，可是发现源码还没有开源。但是在PCDet.上发现包含了SECOND等几个网络
源码2: 源码链接2.
1 摘要
基于LiDAR或基于RGB-D的目标检测被用于从自动驾驶到机器人视觉的众多应用中。 在处理点云LiDAR数据时，基于Voxel的3D卷积网络已经使用了一段时间，体素方法能够在处理雷达点云数据时的保留更多的信息。 但是，仍然存在问题，包括推理速度慢和方向估计性能低。因此，我们研究了一种改进的稀疏卷积方法用于这种网络，这显]]></description><category></category></item><item><title><![CDATA[leetcode闯关：①--⑤]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/107032226</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/107032226</guid><author>themasterbi</author><pubDate>Tue, 30 Jun 2020 16:39:37 +0800</pubDate><description><![CDATA[最近看到一些关于c、c++、java、python等编程语言的讨论。
虽然是个电气转算法的小白，但是也关系到自己找工作的事。python是一门较高层的语言，可以很方便的实现自己的idea，复杂的深度学习算法如果用其他语言来实现的话，代码量是非常巨大的，而python的高代码集成度又建立在大量的开源库的基础上，使用时也很少会去研究库中的源代码，导致当一个程序很基层或者说对代码时间复杂度和空间复杂度要求较高时，引用库中的代码就很难精确的进行控制。
因此打算挤出一点时间粗略了解一下别的语言，本科接触过c++语言和]]></description><category></category></item><item><title><![CDATA[3D点云学习：SA-SSD④源码注释]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/106913582</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/106913582</guid><author>themasterbi</author><pubDate>Tue, 23 Jun 2020 22:28:19 +0800</pubDate><description><![CDATA[1 SASSD算法神经网络结构
SASSD在神经网络结构上的创新点主要在两点：auxiliary network 以及 PS Warp损失计算方法。这两点在代码实现上也有一定的特点，同时代码结构和论文中的网络结构也存在一定的差异。
如上图所示，论文中网络主要包括三部分，Backbone network，Auxiliary network和Detection network，但在源码中，Backbone network和Auxiliary network由于其交互性较强，每一步都要互相影响，因此放到了一个部分]]></description><category></category></item><item><title><![CDATA[3D点云学习：SA-SSD③源码注释]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/106874568</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/106874568</guid><author>themasterbi</author><pubDate>Mon, 22 Jun 2020 23:55:17 +0800</pubDate><description><![CDATA[1 参考博客
在注释源码时，主要参考了另一个作者的几篇博客，帮助非常大。
参考博客: 简析SA-SSD在预处理训练评估的框架.
作者博客空间: 小白科研笔记.
由于代码量和注释量都比较大，因此截取几个第一次接触或者有启发的代码。
2

...]]></description><category></category></item><item><title><![CDATA[3D点云学习：SA-SSD②算法复现]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/106871667</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/106871667</guid><author>themasterbi</author><pubDate>Sat, 20 Jun 2020 16:40:47 +0800</pubDate><description><![CDATA[1 源码下载
源码下载: 源码链接
2 注意事项
经过N天的实验，暂时放弃了源码的实现，主要问题在于：作者的开发环境是ubuntu系统+CUDA，由于疫情原因，目前手上只有windows系统和ubuntu18.04虚拟机，虚拟机无法安装CUDA和显卡驱动，也不想去装双系统，因此回到实验室之后再做完整复现。
但一下还是有复现中需要注意的地方，记下来提醒自己。
1 Windows系统下的复现
笔者这里不建议在windows系统下进行复现，因为在mmdet/ops文件夹中，包含有需要预处理的c++文件，生成算法需]]></description><category></category></item><item><title><![CDATA[3D点云学习：SA-SSD①]]></title><link>https://blog.youkuaiyun.com/themasterbi/article/details/106773439</link><guid>https://blog.youkuaiyun.com/themasterbi/article/details/106773439</guid><author>themasterbi</author><pubDate>Sat, 20 Jun 2020 02:58:08 +0800</pubDate><description><![CDATA[0.序言
硕士阶段开始接触基于深度学习的自动驾驶课题，主要研究方向是基于激光雷达的环境感知。目前环境感知的结果包括：语义分割，目标识别和目标跟踪。在这里记录一下自己看过的论文，用的时候可以方便的找到。
1.论文简介
源码链接: https://github.com/skyhehe123/SA-SSD.
论文链接: https://www4.comp.polyu.edu.hk/~cslzhang/paper/SA-SSD.pdf.
SA-SSD这是一篇来自 港理工和阿里达摩院的合作文章。投出了一种基于sing]]></description><category></category></item></channel></rss>