weixin_43750626的博客

1. 介绍论文“Ultra Fast Structure aware Deep Lane Detection”发表于2020年8月，该论文提出了一种新颖、高效的车道线检测算法，旨在极大地提高检测效率（320 FPS with 1080 TI）以及克服极端场景（遮挡和过曝等因素导致的no visual clue）。简单来说，作者将输入图片划分为若干行（利用神经网络提取全局特征，并不是粗暴切割），并在每一行定位车道线，最终得到整幅图的车道线位置。另外，该算法还根据车道线连续、多为直线的特点设计了一个结构化的

用最精简的描述概括各算法核心思想，rcnn系列、yolo系列、anchor-free等

3D点云目标检测综述，从 pointnet到centernet，介绍各种深度学习点云检测算法

AnchorFaster-RCNN相对于Fast-RCNN的一个改进是引入了RPN网络，RPN用于区域推荐，替换了此前的SS算法使得网络在整体上更加的CNN化。那么RPN是怎么进行区域推荐的？简单来说RPN以一种类似枚举的方式列举出数万个矩形框，然后用卷积+softmax将这些矩形框分为前景和背景两类，同时对矩形框的边界进行回归修正，而这些矩形框就是anchor。接下来看看具体怎么做。图片输入到Faster-RCNN中之后首先经过一个vgg网络得到特征图，特征图会被共享给RPN和后面的stage-t

本文主要介绍模型训练完毕之后的相关处理，从保存到优化、转化，最终在目标设备上部署并测试效率

介绍ROI-Pooling与ROI-Align计算过程，从而分析两者区别

BN的过程，原理解释，以及BN为什么有效？

深度学习中一些必须搞清楚的概念，必须理清楚的疑惑

本文详细介绍了yolo v3设计思想、网络结构、损失函数计算等知识点

本文详细介绍了RCNN系列算法发展历程，包含大量细节，欢迎各位交流~