<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_44533869的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_44533869</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_44533869]]></copyright><item><title><![CDATA[Sparse4D算法的tricks]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/159397118</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/159397118</guid><author>weixin_44533869</author><pubDate>Mon, 23 Mar 2026 23:02:19 +0800</pubDate><description><![CDATA[Trick核心收益代码改动量时序注意力门控+时序损失降低IDS、提升AMOTP小多尺度实例编码+跨尺度聚合提升mAP/NDS中测试时增强（TTA）快速提升测试集指标小实例级对比学习降低IDS、增强特征区分度中几何畸变校正提升特征采样精度小动态锚点生成减少计算量、提升小实例精度中这些Trick均基于Sparse4D的现有架构扩展，无需重构核心模块，且能针对性解决其在nuScenes基准中的痛点（IDS高、AMOTP/mATE待优化、多尺度实例检测不均）。]]></description><category></category></item><item><title><![CDATA[CenterPoint算法改进的tricks]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/159331771</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/159331771</guid><author>weixin_44533869</author><pubDate>Sun, 22 Mar 2026 12:35:18 +0800</pubDate><description><![CDATA[动态高斯核：核心优化，仅修改热图标签生成函数，1小时内可落地，收益最明显；热图加权损失：在动态高斯核基础上，新增权重计算，解决类别不平衡；两阶段细化：小幅修改网络结构和损失函数，进一步提升中心点定位精度。]]></description><category></category></item><item><title><![CDATA[bevformer算子量化]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/159128900</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/159128900</guid><author>weixin_44533869</author><pubDate>Mon, 16 Mar 2026 19:47:19 +0800</pubDate><description><![CDATA[BEVFormer中不能量化到INT8的算子核心是：所有涉及非线性激活（Sigmoid/Tanh/Exp）、小数值计算（Div/Sqrt/Mul）、高精度矩阵乘法（MatMul）、归一化（LayerNorm）、回归/标定编码的算子。量化时需严格区分“敏感算子（FP16）”和“鲁棒算子（INT8）”，混合精度量化是唯一能保证精度（NDS损失＜1%）且提升速度（2~3倍）的方案。模块不能量化算子核心类型量化替代方案注意力/GRUFP16CPEDiv/LinearFP16Encoder层。]]></description><category></category></item><item><title><![CDATA[bevfomer算法嵌入的tricks]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/159120136</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/159120136</guid><author>weixin_44533869</author><pubDate>Mon, 16 Mar 2026 19:34:52 +0800</pubDate><description><![CDATA[核心价值：将“固定标定参数”转化为“可学习特征”，补偿标定误差、提升多相机融合精度；接入方式轻量版：融入BEV查询，实现简单，无架构修改；进阶版：融入空间交叉注意力，精准校准采样权重；核心原则：CPE需与3D-2D投影的几何规律对齐，仅做“增量编码”，不破坏BEVFormer的核心逻辑；叠加效果：CPE+GRU+时序自注意力可形成“几何校准+时序记忆+空间采样”的三重增强，进一步提升BEVFormer的鲁棒性。]]></description><category></category></item><item><title><![CDATA[CenterPoint算法]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/158891340</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/158891340</guid><author>weixin_44533869</author><pubDate>Tue, 10 Mar 2026 23:25:24 +0800</pubDate><description><![CDATA[【代码】CenterPoint算法。]]></description><category></category></item><item><title><![CDATA[bevformer算法代码分析【复习专用 未写完】]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/147028957</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/147028957</guid><author>weixin_44533869</author><pubDate>Mon, 07 Apr 2025 01:36:16 +0800</pubDate><description><![CDATA[功能：BEVFormer解码器的前向传播，将BEV查询（bev_query）与多摄像头特征（key、value）结合，通过多层Transformer层生成最终的BEV特征或检测预测。功能：将BEV参考点（3D空间坐标）投影到各个摄像头的图像平面上，生成采样点坐标和可见性掩码。（3.6.1.2）BEV参考点（3D空间坐标）投影到各个摄像头的图像平面。（3）获取bev特征（get_bev_features）(2) 仅计算BEV特征（only_bev=True）（3.2）处理历史BEV（prev_bev）]]></description><category></category></item><item><title><![CDATA[Deformable DETR（复习专用）]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/147015895</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/147015895</guid><author>weixin_44533869</author><pubDate>Sat, 05 Apr 2025 22:36:58 +0800</pubDate><description><![CDATA[（1）稀疏空间采样 （2）可变形注意力机制 （3）适用高分辨率特征。]]></description><category></category></item><item><title><![CDATA[DETR原理解读 【复习专用】]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146987758</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146987758</guid><author>weixin_44533869</author><pubDate>Fri, 04 Apr 2025 01:35:52 +0800</pubDate><description><![CDATA[【代码】DETR原理解读 【复习专用】]]></description><category></category></item><item><title><![CDATA[Nuscenes数据集]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146959210</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146959210</guid><author>weixin_44533869</author><pubDate>Thu, 03 Apr 2025 01:07:26 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Bevformer环境配置]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146916433</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146916433</guid><author>weixin_44533869</author><pubDate>Tue, 01 Apr 2025 23:28:11 +0800</pubDate><description><![CDATA[*#### 1. 创建环境并激活环境。]]></description><category></category></item><item><title><![CDATA[Yolov8-seg 算法分析与阐述]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146465520</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146465520</guid><author>weixin_44533869</author><pubDate>Tue, 25 Mar 2025 13:53:03 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[目标跟踪——deepsort算法详细阐述]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146415717</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146415717</guid><author>weixin_44533869</author><pubDate>Sat, 22 Mar 2025 00:26:37 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[数据结构与算法——回溯算法]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146080087</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146080087</guid><author>weixin_44533869</author><pubDate>Sat, 08 Mar 2025 15:49:45 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/146031202</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/146031202</guid><author>weixin_44533869</author><pubDate>Thu, 06 Mar 2025 01:28:13 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[计算机视觉算法比较]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145989165</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145989165</guid><author>weixin_44533869</author><pubDate>Mon, 03 Mar 2025 23:30:24 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[视觉图像坐标转换]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145955603</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145955603</guid><author>weixin_44533869</author><pubDate>Sun, 02 Mar 2025 02:35:03 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[目标检测——数据处理]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145948545</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145948545</guid><author>weixin_44533869</author><pubDate>Sat, 01 Mar 2025 16:22:58 +0800</pubDate><description><![CDATA[Mosaic。]]></description><category></category></item><item><title><![CDATA[Python面试（八股）]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145917157</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145917157</guid><author>weixin_44533869</author><pubDate>Fri, 28 Feb 2025 02:06:28 +0800</pubDate><description><![CDATA[使用。]]></description><category></category></item><item><title><![CDATA[C++ 八股（整理记录）]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145864295</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145864295</guid><author>weixin_44533869</author><pubDate>Tue, 25 Feb 2025 23:18:24 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[目标检测tricks]]></title><link>https://blog.youkuaiyun.com/weixin_44533869/article/details/145854760</link><guid>https://blog.youkuaiyun.com/weixin_44533869/article/details/145854760</guid><author>weixin_44533869</author><pubDate>Tue, 25 Feb 2025 16:54:40 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>