- 博客(6)
- 收藏
- 关注
RSS订阅原创 【NeRF】基于Mindspore的NeRF实现
3.2 细采样细采样根据粗采样的得到的分段权重，将其作为概率密度函数进行采样，然后将采样结果和粗采样结果拼接，得到细采样输出。神经渲染是深度网络合成图像的各类方法的总称，各类神经渲染的目标是实现图形渲染中建模和渲染的全部或部分的功能，基于神经辐射场（Neural Radiance Field, NeRF）的场景三维重建是近期神经渲染的热点方向，目标是使用神经网络实现新视角下的2D图像生成，在20和21年的CVPR、NeuIPS等各大AI顶会上，我们可以看到几十、上百篇相关的高水平论文。
2024-04-21 17:18:03
688
原创 点云3D目标检测理论实战
3D目标检测系列的前4篇已经把训练的方法介绍完整了，接下来会一步一步准备训练数据，也就是点云的处理。我们知道，目前点云的公开数据集主要是自动驾驶领域，模型的设计及训练都是集中在此类数据，同时标注工具也都是为此设计。该类数据的特点是有道路平面但无顶部（为避免引起误解，这里举个例子说明，比如室内的点云是有天花板的）、同时lidar视角基本是与地面平行的，无旋转。因此我们标注的时候基本都是先从俯视图开始定位bounding box的中心位置，读者可以自行体会有旋转时标注的困难程度。学习资源地址。
2024-04-20 15:36:28
466
原创 CARLA与Autoware和ROS的联合仿真安装过程
为节省时间，我直接按照官网要求进行源码安装（开发者），我觉得apt安装和源码安装bridge出现报错的原因是一样的，因为用源码安装，在。的作用是把相关的pcd点云文件加入到环境变量中，不添加的会可能rivz中不显示激光雷达地图。的作用和在autoware的运行中一样，都是把autoware中的子节点加入到环境变量中。目录下的shell脚本中，方便启动） 2. 启动Carla-Autoware-Bridge。（我是直接从github下载的，没有用该指令，不能保证其有效性。为空，对应ros-bridge的。
2024-04-18 21:59:09
1119
原创 无人驾驶环境感知 车道线检测网络 LanNet 原理及实现
LaneNet 网络输出的是每条车道线的像素集合，常规的处理是将图像转为鸟瞰图，然后用二次或三次多项式拟合出弯曲的车道线。然而，目前所使用的透视变换矩阵的参数通常是预先设定、不会改变的，在面对水平线波动的影响（如上下坡）等情况下的车道线拟合并不准确，鲁棒性不强。具体来说，二值分割网络输出所有的车道线像素，而实例分割网络将输出的车道线像素分配到不同的车道线实例中。由于这里我使用的测试模型是在 TuSimple 数据集下训练得到的，所以我们对 TuSimple 中的图片测试效果会很好，比如前面的 1.jpg。
2024-04-18 21:51:57
1954
2
原创 动驾驶中的单目 3D 车道线检测——综述
车道线检测是自动驾驶中最基本和关键的安全任务之一。这一重要感知任务的应用范围从 ADAS（高级驾驶员辅助系统）功能如车道保持到更高级别的自主任务，如与高清地图和轨迹规划的融合。给定在自动驾驶车辆上收集的输入 RGB 图像，车道线检测算法旨在在图像上提供结构化线的集合，每条线代表 3D 车道线的 2D 投影。这种算法本质上是二维的，因为输入和输出都驻留在同一个图像空间中。另一方面，旨在从单个图像直接预测道路场景中车道的 3D 布局。
2024-04-12 22:14:23
1549
3
转载 TensorRT使用说明
ONNX 是 Open Neural Network Exchange 的简称，也叫开放神经网络交换，是一个用于表示深度学习模型的标准，可使模型在不同框架直接转换。在深度学习模型落地的过程中，会面临将模型部署到边端设备的问题，模型训练使用不同的框架，则推理的时候也需要使用相同的框架，但不同类型的平台，调优和实现起来非常困难，因为每个平台都有不同的功能和特性。使用ONNX可以通过将不同框架训练的模型转换成通用的 ONNX 模型，再进而转换成各个平台支持的格式，就可以实现简化部署。
2024-04-12 22:08:01
150
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