<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AutoXTruck专栏]]></title><description><![CDATA[从事自动驾驶卡车业务，分享相关自动驾驶技术，希望对正在阅读本博客的你有所帮助。]]></description><link>https://blog.csdn.net/Small_Munich</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Small_Munich]]></copyright><item><title><![CDATA[【DeepSORT系列之】模型训练pytorch版与模型部署操作]]></title><link>https://blog.csdn.net/Small_Munich/article/details/123644280</link><guid>https://blog.csdn.net/Small_Munich/article/details/123644280</guid><author>Small_Munich</author><pubDate>Mon, 11 Apr 2022 19:26:07 +0800</pubDate><description><![CDATA[目录模型训练模型转换模型部署小结参考
模型训练
训练代码链接ZQPei/deep_sort_pytorch
关于环境配置，你按照requirements.txt进行安装即可。
参数配置：
--data_dir # 数据路径
--gpu_id  # 使用gpu id
--lr # 学习率
--resume  # 是否读取之前模型继续训练

关于训练Mars数据集在测试ACC时候精度很低的情况问题high loss low test acc。主要问题在于Mars数据集你需要将bbox_train文件夹下面的数据]]></description><category></category></item><item><title><![CDATA[【DeepSORT系列之】Cosine Metric Learning训练与demo可视化]]></title><link>https://blog.csdn.net/Small_Munich/article/details/123534766</link><guid>https://blog.csdn.net/Small_Munich/article/details/123534766</guid><author>Small_Munich</author><pubDate>Thu, 17 Mar 2022 18:50:51 +0800</pubDate><description><![CDATA[训练
数据准备：由于训练代码目前支持两种数据集如下，分别包含各自的数据准备方式。
Market-1501数据集介绍
Mars数据集介绍
代码准备：
cosine_metric_learning
demo代码准备：
deep_sort
训练启动命令：
训练mars数据集脚本如下：
python train_mars.py \
    --dataset_dir=/media/holo/B834B57734B538E8/tracking/MARs \
    --loss_mode=cosine-softmax]]></description><category></category></item><item><title><![CDATA[【C++模板与泛型编程】系列之类模板]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112538840</link><guid>https://blog.csdn.net/Small_Munich/article/details/112538840</guid><author>Small_Munich</author><pubDate>Mon, 14 Mar 2022 20:51:23 +0800</pubDate><description><![CDATA[目录类模板定义与基本使用特化全特化偏特化小结参考
类模板

定义与基本使用

特化

全特化

偏特化

小结

参考

]]></description><category></category></item><item><title><![CDATA[【Apollo点云分割模型之】训练BCNN网络操作]]></title><link>https://blog.csdn.net/Small_Munich/article/details/123360365</link><guid>https://blog.csdn.net/Small_Munich/article/details/123360365</guid><author>Small_Munich</author><pubDate>Tue, 08 Mar 2022 19:41:12 +0800</pubDate><description><![CDATA[简述
　　Apollo激光感知模块主要分为几个部分，一部分是直接对3D点云进行检测输出目标框。例如：PointPillars算法或MaskPillars算法等。另一部分主要是通过训练点云分割模型，然后对前景分割目标进行聚类、拟合最终输出目标框的方法。本篇博文主要介绍Apollo点云分割算法之BCNN的训练NuScenes数据集过程记录。
关于BCNN代码传送门：train_bcnn
如何训练分割模型
数据准确环节
首先，需要你准备一些nuScenes数据集。然后，在工程train_bcnn目录下面找到可执行]]></description><category></category></item><item><title><![CDATA[【DeepSORT算法】系列之深度解读]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112631374</link><guid>https://blog.csdn.net/Small_Munich/article/details/112631374</guid><author>Small_Munich</author><pubDate>Tue, 22 Feb 2022 20:49:29 +0800</pubDate><description><![CDATA[目录DeepSORT算法DeepSORT算法流程图DeepSORT算法代码解读小结参考
DeepSORT算法

DeepSORT算法流程图

DeepSORT算法代码解读

小结

参考
Deep sort算法代码解读
论文翻译DeepSORT

]]></description><category></category></item><item><title><![CDATA[【学习总结匈牙利算法到KM算法】]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112631928</link><guid>https://blog.csdn.net/Small_Munich/article/details/112631928</guid><author>Small_Munich</author><pubDate>Fri, 11 Feb 2022 20:52:27 +0800</pubDate><description><![CDATA[目录匈牙利算法匈牙利算法代码小结参考
匈牙利算法

匈牙利算法代码

小结

参考

]]></description><category></category></item><item><title><![CDATA[【状态估计滤波学习系列】之ExtendKalmanFilter]]></title><link>https://blog.csdn.net/Small_Munich/article/details/122072429</link><guid>https://blog.csdn.net/Small_Munich/article/details/122072429</guid><author>Small_Munich</author><pubDate>Thu, 10 Feb 2022 19:04:19 +0800</pubDate><description><![CDATA[简单介绍一下ExtendKalmanFilter





参考

]]></description><category></category></item><item><title><![CDATA[【无人驾驶视觉系列之】3D障碍物检测SMOKE算法调试分析]]></title><link>https://blog.csdn.net/Small_Munich/article/details/119682681</link><guid>https://blog.csdn.net/Small_Munich/article/details/119682681</guid><author>Small_Munich</author><pubDate>Mon, 24 Jan 2022 19:58:48 +0800</pubDate><description><![CDATA[无人驾驶视觉感知介绍
该篇主要介绍一种纯3D深度学习视觉检测方法，SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation开源代码链接smoke。相比于前面两篇半深度学习与几何估算3D信息，这篇文章直接学习出3D视觉的障碍物信息。
3D障碍物技术

理论技术分析

代码

结论

小结

参考

...]]></description><category></category></item><item><title><![CDATA[【Apollo解读代码系列之perception】camera模块tracker逻辑分析]]></title><link>https://blog.csdn.net/Small_Munich/article/details/122418599</link><guid>https://blog.csdn.net/Small_Munich/article/details/122418599</guid><author>Small_Munich</author><pubDate>Wed, 12 Jan 2022 18:56:16 +0800</pubDate><description><![CDATA[camera模块之tracker

camera模块之主要结构图


]]></description><category></category></item><item><title><![CDATA[【OpenCV学习系列】之KalmanFilter]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112631741</link><guid>https://blog.csdn.net/Small_Munich/article/details/112631741</guid><author>Small_Munich</author><pubDate>Mon, 10 Jan 2022 20:16:07 +0800</pubDate><description><![CDATA[目录卡尔曼滤波算法卡尔曼滤波流程卡尔曼滤波代码示例小结参考
卡尔曼滤波算法

卡尔曼滤波流程

卡尔曼滤波代码示例

小结

参考

]]></description><category></category></item><item><title><![CDATA[【Apollo解读代码系列之perception】lidar模块tracker逻辑分析]]></title><link>https://blog.csdn.net/Small_Munich/article/details/121758572</link><guid>https://blog.csdn.net/Small_Munich/article/details/121758572</guid><author>Small_Munich</author><pubDate>Tue, 07 Dec 2021 20:51:10 +0800</pubDate><description><![CDATA[lidar模块之tracker


]]></description><category></category></item><item><title><![CDATA[【无人驾驶视觉系列之】3D障碍物检测（二）]]></title><link>https://blog.csdn.net/Small_Munich/article/details/119682582</link><guid>https://blog.csdn.net/Small_Munich/article/details/119682582</guid><author>Small_Munich</author><pubDate>Thu, 02 Sep 2021 19:40:08 +0800</pubDate><description><![CDATA[无人驾驶视觉感知介绍

3D障碍物技术

理论技术分析

代码

结论

小结

参考

]]></description><category></category></item><item><title><![CDATA[【无人驾驶视觉系列之】3D障碍物检测（一）]]></title><link>https://blog.csdn.net/Small_Munich/article/details/119682499</link><guid>https://blog.csdn.net/Small_Munich/article/details/119682499</guid><author>Small_Munich</author><pubDate>Sat, 28 Aug 2021 19:49:36 +0800</pubDate><description><![CDATA[无人驾驶视觉感知异同点介绍

3D障碍物技术

理论技术分析

代码

结论

小结

参考

]]></description><category></category></item><item><title><![CDATA[【pcl教程系列之】点云过滤pipeline整体流程]]></title><link>https://blog.csdn.net/Small_Munich/article/details/114401998</link><guid>https://blog.csdn.net/Small_Munich/article/details/114401998</guid><author>Small_Munich</author><pubDate>Tue, 09 Mar 2021 18:53:25 +0800</pubDate><description><![CDATA[目录点云过滤流程图一些思考小结参考
点云过滤

流程图

一些思考

小结

参考
pcl

]]></description><category></category></item><item><title><![CDATA[【pcl点云教程系列】之大曲率斜平面过滤]]></title><link>https://blog.csdn.net/Small_Munich/article/details/114479254</link><guid>https://blog.csdn.net/Small_Munich/article/details/114479254</guid><author>Small_Munich</author><pubDate>Tue, 09 Mar 2021 18:51:09 +0800</pubDate><description><![CDATA[目录简介大曲率点云斜坡过滤代码分析小结参考
简介
　　点云过滤作为传统激光点云目标检测预处理阶段重要一环节，过滤效果的好坏会直接影响后续点云聚类检测的效果。现实无人车行驶的道路上，地形起伏坡度不一致，这就导致一般的点云过滤算法无法有效的处理像进入地下车库这种曲率特别大的路段。有些时候就需要一些先验信息辅助进行大曲率斜坡的过滤。本篇博客介绍一种结合地图给予的先验信息进行过滤的一种方法，能够有效的进行点云大斜坡过滤，同时还能够保证一定的实时性。
大曲率点云斜坡过滤

代码分析

小结

参考

...]]></description><category></category></item><item><title><![CDATA[【SORT算法】系列之深度解读]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112631175</link><guid>https://blog.csdn.net/Small_Munich/article/details/112631175</guid><author>Small_Munich</author><pubDate>Fri, 05 Mar 2021 22:17:56 +0800</pubDate><description><![CDATA[目录SORT算法SORT算法流程解读SORT算法代码解读小结参考
SORT算法

SORT算法流程解读

SORT算法代码解读

小结

参考

]]></description><category></category></item><item><title><![CDATA[【OpenCV学习系列】之Background Subtraction]]></title><link>https://blog.csdn.net/Small_Munich/article/details/111957481</link><guid>https://blog.csdn.net/Small_Munich/article/details/111957481</guid><author>Small_Munich</author><pubDate>Wed, 24 Feb 2021 12:16:06 +0800</pubDate><description><![CDATA[Background Subtraction简介

代码分析

小结

参考

]]></description><category></category></item><item><title><![CDATA[【OpenCV实践之】描述符BEBLID]]></title><link>https://blog.csdn.net/Small_Munich/article/details/113950115</link><guid>https://blog.csdn.net/Small_Munich/article/details/113950115</guid><author>Small_Munich</author><pubDate>Tue, 23 Feb 2021 21:36:09 +0800</pubDate><description><![CDATA[目录BEBLID简介BEBLID论文浅述C++代码部分实验结果小结参考文献
BEBLID简介
　　局部特征描述子基本停滞许久没有出现新的算法，最近看到OpenCV-4.5.1集成了一个新的二进制描述子。BEBLID（Boosted efficient binary local image descriptor）在速度上面与精度上面要优于ORB算法。应用过相关ORB算法都知道，ORB算法由于其速度卓同时匹配性能很高而得名，广泛应用于工业界。那么，现在出现BEBLID描述子，匹配成功率高于ORB几乎能够媲美SI]]></description><category></category></item><item><title><![CDATA[【C++模板与泛型编程】系列之函数模板]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112527646</link><guid>https://blog.csdn.net/Small_Munich/article/details/112527646</guid><author>Small_Munich</author><pubDate>Wed, 13 Jan 2021 20:33:46 +0800</pubDate><description><![CDATA[目录函数模板定义与基本使用重载特化全特化偏特化带有缺省参数的函数模板小结参考
函数模板

定义与基本使用

重载

特化

特化与泛化的概念


全特化

偏特化

带有缺省参数的函数模板

小结

参考

...]]></description><category></category></item><item><title><![CDATA[【C++对象模型探索】系列之类与对象概述]]></title><link>https://blog.csdn.net/Small_Munich/article/details/112369295</link><guid>https://blog.csdn.net/Small_Munich/article/details/112369295</guid><author>Small_Munich</author><pubDate>Mon, 11 Jan 2021 20:05:57 +0800</pubDate><description><![CDATA[类与对象简介

类与对象的关联与区分

成员函数、成员变量属于类还是对象？

静态函数、静态成员变量属于类还是对象？

相关测试案例类与对象

空类
含有成员函数(非静态)
含有成员函数(静态)
含有成员函数(静态、非静态)
含有成员变量(非静态)
含有成员变量(静态)
含有成员函数(虚函数、纯虚函数)
单继承
虚继承
多个不同类型成员变量，内存对齐

小结

参考

...]]></description><category></category></item></channel></rss>