- 博客(167)
- 收藏
- 关注
RSS订阅原创 Nuscenes数据集
通过 obtain_sensor2top 处理的转换矩阵。是 外参，用于将3D点从摄像头坐标系转换到世界坐标系。字段中，但本函数不处理内参，仅处理外参。相机的内参（如焦距、畸变参数）存储在。(1) 相机内参与外参的区别。(2) 确保坐标系一致性。
2025-04-03 01:07:26
219
原创 Yolov8-seg 算法分析与阐述
在的实例分割任务中，mask_coeff @ proto（掩码系数与原型掩码的线性组合）。原型掩码（Proto）与掩码系数（Mask Coefficients）：通过线性组合（mask_coeff @ proto）生成该实例的掩码。
2025-03-25 13:53:03
279
原创 目标跟踪——deepsort算法详细阐述
记录连续未匹配的帧数（如time_since_update）。若未匹配次数超过阈值（如max_age），轨迹被删除。即使未匹配，算法仍会预测下一帧的位置，以尝试重新匹配。通过卡尔曼滤波预测和匈牙利算法匹配，更新目标轨迹。是新检测到的候选目标，未被任何现有轨迹“认领”。从检测到的目标中提取外观特征（如ReID特征）。筛选低置信度检测并执行非极大值抑制（NMS）。整理跟踪结果为边界框和唯一ID。
2025-03-22 00:26:37
570
原创 数据结构与算法——回溯算法
给你一个无重复元素 的整数数组candidates 和一个目标整数 target ，找出candidates 中可以使数字和为目标数 target 的 所有 不同组合，并以列表形式返回。给你一个整数数组 nums ，找出并返回所有该数组中不同的递增子序列，递增子序列中 至少有两个元素。给你一个整数数组 nums ，其中可能包含重复元素，请你返回该数组所有可能的 子集（幂集）。给定一个可包含重复数字的序列 nums ，按任意顺序 返回所有不重复的全排列。返回的解集中，子集可以按 任意顺序 排列。
2025-03-08 15:49:45
758
原创 二叉树——翻转二叉树、对称二叉树、平衡二叉树、 二叉树路径、二叉树左叶子节点和、路径总和
完全二叉树 的定义如下：在完全二叉树中，除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若最底层为第 h 层（从第 0 层开始），则该层包含 1~ 2h 个节点。给你一个二叉树的根节点 root ，按 任意顺序 ，返回所有从根节点到叶子节点的路径。给你一棵二叉树的根节点 root ，翻转这棵二叉树，并返回其根节点。给你一棵二叉树的根节点 root ，翻转这棵二叉树，并返回其根节点。给你一棵 完全二叉树 的根节点 root ，求出该树的节点个数。
2025-03-06 01:28:13
408
原创 计算机视觉算法比较
在热图上对目标中心点及其邻近区域进行高斯分布衰减，使得中心点周围的像素也能参与到损失计算中，从而提高了模型的鲁棒性和准确性。具体来说，对于每个真实目标的边界框，计算其中心区域（通常是边长为。），热图上的每个像素值表示该位置是某个目标中心的概率。在这个区域内，所有特征图位置都被认为是正样本。还使用了一些额外的技巧，如多正样本分配策略和在线硬样本挖掘（）来表示目标的中心位置，并根据这些热图进行目标检测。）动态分配正负样本，从而提高了模型的鲁棒性和准确性。就是正样本，不负责预测的anchor 就是负样本。
2025-03-03 23:30:24
674
原创 视觉图像坐标转换
这个模型假设有一个理想的小孔，光线通过小孔后在对面形成倒立的实像。虽然现实中没有完全理想的小孔，但这个模型有助于理解基本原理。获取这些参数通常需要通过特定的方法或技术进行标定或估计。，尽管实际相机使用复杂的透镜系统来减少畸变和提高成像质量。，可以同时获取内参数和外参数。这些参数通常通过相机标定过程获得，并用于将。（小孔到成像平面的距离）、物体的实际尺寸。外参数通常以一个4x4的齐次变换矩阵。在小孔成像模型中，物体到小孔的距离。内参数通常以一个3x3的矩阵。假设有一个理想的小孔，常用的方法之一是使用。
2025-03-02 02:35:03
1031
原创 C++ 八股（整理记录）
变量声明（Declaration）声明是指告诉编译器某个变量的名字及其类型，但不一定为该变量分配存储空间。声明的主要目的是使编译器知道该变量的存在，以便在代码中可以使用它。通常，声明出现在头文件（.h 或 .hpp）中，或者在一个源文件中引用另一个源文件中的变量时使用。告知编译器：声明只是告诉编译器这个变量存在，并指定了它的类型。不分配内存：通常不会为声明的变量分配实际的存储空间（除非是外部链接的情况，如extern关键字）。允许多次声明：同一个变量可以在多个地方声明，只要这些声明一致即可。
2025-02-25 23:18:24
1001
原创 目标检测tricks
通过平均这些波动中的参数，可以平滑这些波动，并找到一个更稳定的解决方案，从而提高模型的泛化能力。具体来说，SWA 在训练过程的后期阶段对多个不同的模型快照（snapshots）进行平均，而不是只使用最终的模型参数。：相比于其他复杂的正则化方法（如 Dropout、DropConnect 等），SWA 实现起来非常简单，只需要在训练的后期阶段进行简单的参数平均即可。：SWA 主要适用于那些在训练后期参数波动较大的模型。：通过平均多个模型的参数，可以减少单个模型可能存在的过拟合问题，从而提高模型的泛化能力。
2025-02-25 16:54:40
840
原创 tensorrt量化
隐式量化：精度不可控， 存在某一层那个类型快就选择那一层。隐式量化通常指的是在不修改或微调模型权重的情况下，直接对模型进行量化。这种方法依赖于校准数据集来计算量化参数（如缩放因子和零点）。由于没有对模型进行进一步的训练或微调，量化后的模型精度可能不如原始浮点模型。特点无需微调：不需要对模型进行额外的训练或调整。简单快速：由于不需要微调，整个过程相对简单且快速。精度不可控：由于没有通过微调来优化量化参数，精度损失可能会较大，尤其是在某些层中表现尤为明显。校准过程。
2025-02-22 11:07:06
154
原创 二叉树——701. 二叉搜索树中的插入操作、450. 删除二叉搜索树中的节点、669. 修剪二叉搜索树
给定二叉搜索树（BST）的根节点 root 和要插入树中的值 value ，将值插入二叉搜索树。返回插入后二叉搜索树的根节点。输入数据 保证 ，新值和原始二叉搜索树中的任意节点值都不同。注意，可能存在多种有效的插入方式，只要树在插入后仍保持为二叉搜索树即可。你可以返回 任意有效的结果。
2024-03-14 20:24:29
233
原创 二叉树——501.二叉搜索树中的众数、 236. 二叉树的最近公共祖先、235. 二叉搜索树的最近公共祖先
百度百科中最近公共祖先的定义为：“对于有根树 T 的两个节点 p、q，最近公共祖先表示为一个节点 x，满足 x 是 p、q 的祖先且 x 的深度尽可能大（一个节点也可以是它自己的祖先）。给你一个含重复值的二叉搜索树（BST）的根节点 root ，找出并返回 BST 中的所有 众数（即，出现频率最高的元素）。给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。如果树中有不止一个众数，可以按 任意顺序 返回。
2024-03-11 23:02:39
410
原创 二叉树——700. 二叉搜索树中的搜索、98. 验证二叉搜索树、530. 二叉搜索树的最小绝对差
你需要在 BST 中找到节点值等于 val 的节点。返回以该节点为根的子树。如果节点不存在，则返回 null。给你一个二叉树的根节点 root ，判断其是否是一个有效的二叉搜索树。给定二叉搜索树（BST）的根节点 root 和一个整数值 val。
2024-03-05 22:36:04
357
原创 二叉树——从中序与后序遍历序列构造二叉树、654. 最大二叉树
给定两个整数数组 inorder 和 postorder ，其中 inorder 是二叉树的中序遍历， postorder 是同一棵树的后序遍历，请你构造并返回这颗 二叉树。给定一个不重复的整数数组 nums。
2024-03-04 20:34:12
186
原创 二叉树——二叉树所有路径、112. 路径总和、513. 找树左下角的值
给你一个二叉树的根节点 root ，按 任意顺序 ，返回所有从根节点到叶子节点的路径。叶子节点 是指没有子节点的节点。
2024-02-29 23:09:44
229
原创 二叉树——翻转二叉树 、对称二叉树、二叉树的节点个数、平衡二叉树
给你一棵二叉树的根节点 root ，翻转这棵二叉树，并返回其根节点。给你一个二叉树的根节点 root ， 检查它是否轴对称。
2024-02-27 23:24:32
242
原创 Leetcoed 双指针
给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i!= k ，同时还满足 nums[i] + nums[j] + nums[k] == 0。请你返回所有和为 0 且不重复的三元组。注意：答案中不可以包含重复的三元组。
2023-12-21 21:11:45
85
原创 ubuntu18.04 安装企业微信
一.Ubuntu18.04安装企业微信1.安装git工具sudo apt install wget g++ git2.安装deepin-winegit clone https://gitee.com/wszqkzqk/deepin-wine-for-ubuntu.git切换到下载目录cd deepin-wine-for-ubuntu执行安装sudo ./install.sh3.下载安装包http://packages.deepin.com/deepin/pool/non-free
2022-05-20 13:53:09
3027
1
原创 神经网络——梯度消失与梯度爆炸
（1）梯度不稳定问题什么是梯度不稳定问题：深度神经网络中的梯度不稳定性，前面层中的梯度或会消失，或会爆炸。原因：前面层上的梯度是来自于后面层上梯度的乘乘积。当存在过多的层次时，就出现了内在本质上的不稳定场景，如梯度消失和梯度爆炸。（2）梯度消失原因：例如三个隐层、单...
2021-09-17 13:09:01
294
原创 Yolov1--＞Yolov2--＞Yolov3--＞Yolov4 重点难点详解
Yolov1算法Inference推理过程Yolov2算法Batch NormalizationYolov3算法Make Yolov3 Better：Yolov4算法：Mixup
2021-09-17 00:06:51
296
原创 深拷贝和浅拷贝
可变对象： 列表、字典、集合不可变对象： 数字、字符串、元组可变对象： 一个对象在不改变其所指向的地址的前提下，可以修改其所指向的地址中的值。不可变对象： 一个对象所指向的地址上值是不能修改的，如果你修改了这个对象的值，那么它指向的地址就改变了，相当于你把这个对象指向的值复制出来一份，然后做了修改后存到另一个地址上了。浅拷贝： 拷贝出来的新对象的地址和原对象是不一样的，但是新对象里面的可变元素（如列表）的地址和原对象里的可变元素的地址是相同的。...
2021-09-15 12:48:33
138
原创 Pytorch实现ResNet结构
Resnet-18 和 Resnet-34代码：class BasicBlock(nn.Module): expansion = 1 def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs): super(BasicBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=.
2021-09-08 00:00:26
873
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人