![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
资源整合
lemianli
专注
展开
-
四位科研牛人介绍的文献阅读经验
每天保持读至少2-3 篇的文献的习惯。读文献有不同的读法,但最重要的自己总结概括这篇文献到底说了什么,否则就是白读,读的时候好像什么都明白,一合上就什么都不知道,这是读文献的大忌,既浪费时间,最重要的是没有养成良好的习惯,导致以后不愿意读文献。 1、每次读完文献 (不管是细读还是粗读), 合上文献后,想想看,文章最重要的take home message是什么,如果不知道,就从abstr转载 2016-06-03 08:33:19 · 795 阅读 · 0 评论 -
用反卷积(Deconvnet)可视化理解卷积神经网络
可视化理解卷积神经网络原文地址:http://blog.csdn.net/hjimce/article/details/50544370作者:hjimce一、相关理论本篇博文主要讲解2014年ECCV上的一篇经典文献:《Visualizing and Understanding Convolutional Networks》,可以说是CNN领域可视化理解转载 2016-11-15 15:42:37 · 43334 阅读 · 5 评论 -
三维重建方法--激光or视觉
导读: 激光雷达则是无人驾驶和扫地机器人等领域的核心一环。那么为什么出现多种方案呢?它们到底有什么差异?看似很酷炫的技术,实际上并没有外界想得那么高大上。 Realsense之所以能够识别物体的深度信息,关键在于其具备三维重建功能。而能与Realsense齐名甚至是比Realsense更好的产品比比皆是,我们所知道的无人机、机器人以及无人驾驶汽车当中的壁障或路径规划等转载 2017-06-22 09:45:24 · 5548 阅读 · 0 评论 -
深度神经网络模型压缩
“本文介绍的论文全面概述了深度神经网络的压缩方法,主要可分为参数修剪与共享、低秩分解、迁移/压缩卷积滤波器和知识精炼,本论文对每一类方法的性能、相关应用、优势和缺陷等进行独到的分析。” 大型神经网络具有大量的层级与结点,因此考虑如何减少它们所需要的内存与计算量就显得极为重要,特别是对于在线学习和增量学习等实时应用。此外,近来智能可穿戴设备的流行也为研究员提供了在资源(内存、CPU、能...转载 2018-07-31 15:55:25 · 1813 阅读 · 0 评论 -
ADAS视觉方案盘点上篇:摄像头、芯片和算法
对跨学科领域来说,一个粗略的盘点只是刚刚向门内迈了一步。摄像头是ADAS核心传感器,相比毫米波雷达和激光雷达,最大优势在于识别(物体是车还是人、标志牌是什么颜色)。汽车行业价格敏感,摄像头硬件成本相对低廉,因为近几年计算机视觉发展迅速,从摄像头角度切入ADAS感知的创业公司数量也非常可观。这些创业公司可以统称为视觉方案提供商。他们掌握核心的视觉传感器算法,向下游客户提供车载摄像头模组,芯片...转载 2018-08-22 14:08:20 · 3294 阅读 · 0 评论 -
【无人驾驶系列十】无人驾驶硬件平台设计
本文是无人驾驶技术系列的第十篇,着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成,主要包括:传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。无人驾驶: 复杂系统无人驾驶技术是多个技术的集成,如图1所示,一个无人驾驶系统包含了多个传感器,包括长距雷达、激光雷达、短距雷达、车载摄像头...转载 2018-11-20 16:11:53 · 3526 阅读 · 0 评论 -
【无人驾驶系列十一】无人驾驶中的决策规划控制技术
无人车作为一个复杂软硬件结合系统,其安全可靠运行需要车载硬件、传感器集成、感知预测,以及控制规划等多个模块的协同配合工作。作者认为最关键的部分是感知预测和决策控制规划的紧密配合。狭义上的决策规划控制部分,包含了无人车行为决策(Behavior Decision)、动作规划(Motion Planning), 以及反馈控制(Feedback Control)这三个模块。而从更宽泛的概念来说,无人车的...转载 2018-11-20 16:15:40 · 3685 阅读 · 1 评论 -
【无人驾驶系列十二】无人驾驶刚刚开始的未来
本文是无人驾驶技术系列的第12篇,也是最后一篇(文末汇总了无人驾驶系列文章)。本文梳理总结了前面11篇涉及到的技术点,尝试呈现一个宏观的无人驾驶系统架构。另外,简单分析了无人驾驶的产业链现状以及根据笔者自己的经验提出了一些给开发者、创业者,以及投资者的建议。无人驾驶技术总结无人驾驶是一个复杂的系统,如图1所示,系统主要由三部分组成:算法端、Client端和云端。其中算法端包括面向传感、感...转载 2018-11-20 16:17:58 · 1316 阅读 · 0 评论 -
【无人驾驶系列一】激光雷达(LiDAR)在无人驾驶技术中的应用
无人驾驶汽车的成功涉及高精地图、实时定位以及障碍物检测等多项技术,而这些技术都离不开光学雷达(LiDAR)。本文将深入解析光学雷达是如何被广泛应用到无人车的各项技术中。文章首先介绍光学雷达的工作原理,包括如何通过激光扫描出点云;然后详细解释光学雷达在无人驾驶技术中的应用,包括地图绘制、定位以及障碍物检测;最后讨论光学雷达技术目前面临的挑战,包括外部环境干扰、数据量大、成本高等问题。 无人驾驶技...转载 2018-11-19 10:18:37 · 13222 阅读 · 2 评论 -
【无人驾驶系列二】基于ROS的无人驾驶系统
本文是无人驾驶技术系列的第二篇。在上篇解析光学雷达(LiDAR)技术之后,本文着重介绍基于机器人操作系统ROS的无人驾驶系统。文中将介绍ROS以及它在无人驾驶场景中的优缺点,并讨论如何在ROS的基础上提升无人驾驶系统的可靠性、通信性能和安全性。 无人驾驶:多种技术的集成无人驾驶技术是多个技术的集成,如图1所示,一个无人驾驶系统包含了多个传感器,包括长距雷达、激光雷达、短距雷达、摄像头、超声...转载 2018-11-19 10:28:52 · 3855 阅读 · 1 评论 -
自动驾驶汽车传感器融合系统及多传感器数据融合算法浅析
自动泊车、公路巡航控制和自动紧急制动等自动驾驶汽车功能在很大程度上是依靠传感器来实现的。重要的不仅仅是传感器的数量或种类,它们的使用方式也同样重要。目前,大多数路面上行驶车辆内的ADAS都是独立工作的,这意味着它们彼此之间几乎不交换信息。只有把多个传感器信息融合起来,才是实现自动驾驶的关键。” 现在路面上的很多汽车,甚至是展厅内的很多新车,内部都配备有基于摄像头、雷达、超声波或LIDAR等...转载 2018-11-19 10:32:09 · 3383 阅读 · 0 评论 -
【无人驾驶系列三】基于计算机视觉的无人驾驶感知系统
本文是无人驾驶技术系列的第三篇,着重介绍基于计算机视觉的无人驾驶感知系统。在现有的无人驾驶系统中,LiDAR是当仁不让的感知主角。但是由于LiDAR的成本高等因素,业界有许多是否可以使用成本较低的摄像头去承担更多感知任务的讨论。本文探索了基于计算机视觉的无人驾驶感知方案。首先,验证一个方案是否可行需要一个标准的测试方法,我们介绍了广泛被使用的无人驾驶视觉感知数据集KITTI。然后,我们讨论了在无人...转载 2018-11-19 10:37:32 · 1583 阅读 · 0 评论 -
【无人驾驶系列四】 基于Spark与ROS分布式无人驾驶模拟平台
本文是无人驾驶技术系列的第四篇,着重介绍基于Spark与ROS的分布式无人驾驶模拟平台。无人驾驶的安全性和可靠性是通过海量的功能和性能测试来保证的。无人驾驶系统是一个复杂的系统工程,在它的整个研发流程中,测试工作至关重要同时也繁重复杂。显然将全部测试工作都集中在真车上进行是一种成本异常高昂且安全系数非常低的方案。通过综合考虑测试中各种可能发生的正常或异常状况,软件模拟成为了面向无人驾驶系统的更安全...转载 2018-11-19 10:40:29 · 1779 阅读 · 0 评论 -
【无人驾驶系列五】GPS及惯性传感器在无人驾驶中的应用
本文是无人驾驶技术系列的第五篇,着重于GPS以及惯性传感器在无人驾驶中的应用。GPS是当前行车定位不可或缺的技术,但是由于GPS的误差、多路径以及更新频率低等问题,我们不能只依赖于GPS进行定位。而惯性传感器拥有很高的更新频率,可以跟GPS形成互补。而使用传感器融合技术,我们可以融合GPS与惯性传感器数据,各取所长,以达到较好的定位效果。无人驾驶定位技术行车定位是无人驾驶最核心的技术之一,...转载 2018-11-19 10:42:37 · 2088 阅读 · 0 评论 -
【无人驾驶系列六】增强学习在无人驾驶中的应用
本文是无人驾驶技术系列的第六篇,着重介绍增强学习在无人驾驶中的应用。增强学习的目的是通过和环境交互,学习如何在相应观测中采取最优行为。相比传统的机器学习,它有以下优势:首先,由于不需要标注的过程,可以更有效地解决环境中存在的特殊情况。其次,可以把整个系统作为一个整体,从而对其中的一些模块更加鲁棒。最后,增强学习可以比较容易地学习到一系列行为。这些特性十分适用于自动驾驶决策过程,我们在本文深入探讨增...转载 2018-11-19 10:45:01 · 887 阅读 · 0 评论 -
【无人驾驶系列七】高精度地图在无人驾驶中的应用
高精地图是无人驾驶核心技术之一,精准的地图对无人车定位、导航与控制,以及安全至关重要。本文是“无人驾驶技术系列”第七篇,首先介绍高精地图与传统地图的区别,然后介绍其特点及制作过程。在了解高精地图基础知识后,探索其在无人驾驶场景中的应用。电子地图分类我们日常使用的用于导航、查询地理信息的地图都属于传统电子地图,其主要服务对象是人类驾驶员。而与传统电子地图不同,高精度电子地图的主要服务对象是无...转载 2018-11-19 10:47:18 · 2456 阅读 · 0 评论 -
【无人驾驶系系列八】CNN在无人驾驶中的应用
无人驾驶的感知部分作为计算机视觉的领域范围,也不可避免地成为CNN发挥作用的舞台。本文是无人驾驶技术系列的第八篇,深入介绍CNN(卷积神经网络)在无人驾驶3D感知与物体检测中的应用。CNN简介卷积神经网络(Convolutional Neural Network,CNN)是一种适合使用在连续值输入信号上的深度神经网络,比如声音、图像和视频。它的历史可以回溯到1968年,Hubel和Wies...转载 2018-11-19 10:49:22 · 1082 阅读 · 0 评论 -
【无人驾驶系列九】无人驾驶系统安全
目前针对无人车攻击的方法有许多,如何防御这些攻击以保证无人车的安全是个重要的课题。本文是无人驾驶技术系列的第九篇,详细介绍针对无人车传感器、操作系统、控制系统、车联网的攻击手段以及防御方法。针对无人驾驶的安全威胁对于无人驾驶系统来说,安全性至关重要。任何无人车如果达不到安全要求就上路是极其危险的。目前,针对无人车攻击的方法五花八门,渗透到无人驾驶系统的每个层次,包括传感器、操作系统、控制系...转载 2018-11-19 10:50:37 · 2963 阅读 · 0 评论 -
Stereo Matching文献笔记:《Cross-Scale Cost Aggregation for Stereo Matching》
最近,在做立体匹配方向相关的研究,先去网上找最新鲜的论文,看到了这篇文献(简称CSCA),来源于CVPR2014,令我惊奇的是,作者竟然提供了详细的源代码,配置运行了一下,效果还真不错,速度也还可以,具有一定的实用价值,所以拿来和大家分享一下。(转载请注明:http://blog.csdn.NET/wsj998689aa/article/details/44411215, 作者:迷雾for转载 2016-11-14 20:52:11 · 2363 阅读 · 0 评论 -
立体匹配研究背景及意义
计算机视觉是一门研究使用计算机来模拟人的视觉系统的学科。“一图胜千言”,人类对于图像中的信息感知效率远超文字等其他媒介,人类获取的信息总量中更是有高达80%依靠视觉系统[1]。相对于人类高效的图像信息提取能力,计算机在图像信息的理解上仍然效率低下。 计算机视觉作为一门交叉学科,综合了生物学,心理学,数学,计算机科学等学科,从20世纪60年代至今其在科学研究领域中的大量成果已经应用于工程领域,并转载 2016-10-28 15:33:16 · 10083 阅读 · 0 评论 -
computer vision(计算机视觉)方面的期刊会议,学术必备
http://blog.csdn.net/huangynn/article/details/7910649一.机器视觉方面的顶尖三大国际会议:ICCV, CVPR和ECCV 1.ICCV 全称是International Comference on Computer Vision,每两年举行一次,与ECCV正好错开,是计算机视觉领域最高级别的会议,会议的论文集代转载 2016-09-26 11:44:24 · 3818 阅读 · 0 评论 -
双边滤波器
1.双边滤波双边滤波很有名,使用广泛,简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器,因此具有保持图像边缘的特性。先看看我们熟悉的高斯滤波器其中W是权重,i和j是像素索引,K是归一化常量。公式中可以看出,权重只和像素之间的空间距离有关系,无论图像的内容是什么,都有相同的滤波效果。再来看看双边滤波器,它只是在原有高斯函数的基础上加了一项,如下转载 2016-07-13 16:52:09 · 959 阅读 · 1 评论 -
计算机视觉基础1——视差与深度信息
资料来源:Robert Collins,CSE486, Penn State第8讲Stereo Vision深度信息感知是人类产生立体视觉的前提。生理过程一定是相当复杂,此处,我们只从物理角度,并采用数学的方法来讨论。Inferring depth from images taken at the same time by two or more cameras.转载 2016-07-15 10:39:46 · 1121 阅读 · 0 评论 -
计算机视觉基础2——相机成像的几何描述
试想像一下,很多游客同时在不同角度拍摄Eiffel Tower(埃菲尔铁塔),该如何用数学的方法来描述这一过程呢?首先要解决的问题就是定位,或者说坐标选定的问题,埃菲尔铁塔只有一座,如果按经、纬度来刻画,它的坐标是唯一确定的,但游客显然不关系这一点,他(她)只按自己的喜好选择角度和位置,因此,物体(景物)有物体的坐标系统,相机有相机的坐标系统,即便同一个相机,当调整参数时,在同样的位置、相同的角度转载 2016-07-15 11:24:45 · 5385 阅读 · 0 评论 -
计算机视觉基础3——内部参数描述
在上一节中,我们用矩阵描述了外部参数,即物体的坐标到相机坐标的变换。同时还分析了透视投影,即成像的过程,整个过程就是从(U,V,W)->(X,Y,X)->(x,y)。这一节主要讨论如何从像平面(x,y)变换到数字图像(u,v),即从像平面(Film Coords)到像素(Pixel Coords)。对一幅数字图像,我们可以改变它的宽高比,即作尺度变换。转载 2016-07-15 15:05:48 · 2205 阅读 · 0 评论 -
共面点成像——planar homography
在前面已经讨论了三维物体成像过程,相比之下,还有一种稍简单的情况——平面成像,即所有的物点都处在同一个平面上,我们有理由相信,这种情况下的成像关系是一般立体成像的一种特例。先回顾一下一般的单体成像过程 对于共面的物点,在恰当的世界坐标系中,可以令其中一个坐标值为0,不妨设第三维坐标为0,图示如下:由于物点的第三维坐标为0,整个转载 2016-07-15 15:18:28 · 3203 阅读 · 0 评论 -
计算机视觉基础4——对极几何(Epipolar Geometry)
先思考一个问题:用两个相机在不同的位置拍摄同一物体,如果两张照片中的景物有重叠的部分,我们有理由相信,这两张照片之间存在一定的对应关系,本节的任务就是如何描述它们之间的对应关系,描述工具是对极几何 ,它是研究立体视觉的重要数学方法。 要寻找两幅图像之间的对应关系,最直接的方法就是逐点匹配,如果加以一定的约束条件对极约束(epipolar constraint),搜索的范围可以大大减小。转载 2016-07-15 15:44:02 · 17981 阅读 · 1 评论 -
TLD Tracker
Kalal是英国萨里大学的一个捷克学生。他演示的是他的神奇的精确定位系统,这个系统几乎可以跟踪镜头里的任何物体,只要你能看见它,并把它选中。它能 做很多神情的事情。在这个视频中,他演示了通过摄像机拍摄他的手指、把他的手指选做目标。系统于是就能精确的跟踪他的手指的动作。更令人惊奇的是,这个系 统能够通过分析物体的运动来完善跟踪算法。你能在很短的时间里教会它跟踪你的手指、面孔或在高速公路上狂颠的轿车。转载 2016-07-15 16:37:35 · 2027 阅读 · 0 评论 -
SCI EI收录
SCI Impact Factor Search:http://www.heavyoil.cn/if.aspxSCI indexed journal list:http://att.newsmth.net/att.php?p.686.107372.376.xls common journal with SCI indexed:PATTERN RECO转载 2016-07-06 15:51:19 · 1544 阅读 · 0 评论 -
计算机视觉大牛
CV人物1:Jianbo Shi史建波毕业于UC Berkeley,导师是Jitendra Malik。其最有影响力的研究成果:图像分割。其于2000年在PAMI上多人合作发表”Noramlized cuts and image segmentation”。这是图像分割领域内最经典的算法。主页:www.cis.upenn.edu/~jshi/ 和 www.cs.cmu.edu/~jshi/转载 2016-07-06 16:18:15 · 1465 阅读 · 0 评论 -
机器学习 计算机视觉顶级会议文章免费下载
看了版上很多贴子,发现很多版友都在问“热门研究方向”、“最新方法”等。有同学建议国内某教授的教材、或者CNKI、或者某些SCI期刊。每当看到这种问题,我都有点纳闷,为什么不去读顶级会议上的论文?我无意否认以上文献的价值,但是在机器学习、计算机视觉和人工智能领域,顶级会议才是王道。国内教材和CNKI上的基本是N年前老掉牙的东西。有人会质疑这些会议都只是EI。是的,这的确非常特殊:在许多其它领转载 2016-07-06 16:25:15 · 741 阅读 · 0 评论 -
机器学习之正则化(Regularization)
1. The Problem of Overfitting1还是来看预测房价的这个例子,我们先对该数据做线性回归,也就是左边第一张图。如果这么做,我们可以获得拟合数据的这样一条直线,但是,实际上这并不是一个很好的模型。我们看看这些数据,很明显,随着房子面积增大,住房价格的变化趋于稳定或者说越往右越平缓。因此线性回归并没有很好拟合训练数据。我们把此类情况称为欠转载 2016-08-06 10:42:48 · 2328 阅读 · 0 评论 -
Stereo Matching文献笔记之(一):《On Building an Accurate Stereo Matching System on Graphics Hardware》读后感
目录(?)[-]算法详解适合并行特征融合自适应区域后续总结1.分享。2.备忘。3.锻炼表达能力。不知道有没有童鞋和我有一样的结论,今天写写今年四月份精读过的一篇文章《On Building an Accurate Stereo Matching System on Graphics Hardware》,文章名咋看起来有点像硬件相关文献,为什么叫做一个系统,我转载 2016-09-14 11:23:47 · 1693 阅读 · 1 评论 -
Stereo Matching文献笔记之(二):经典算法Semi-Global Matching(SGM)之神奇的HMI代价计算~
SGM算法源于《Stereo Processing by Semi-Global Matching and Mutual Information》一文,我认为这篇文章是立体匹配算法中最给力的,放眼KITTI,可以发现目前排名前五十的算法几乎一半都是对SGM的改进,具有最强的实用价值。SGM中文名称“半全局匹配”,顾名思义,其介于局部算法和全局算法之间,所谓半全局指的是算法既没有只考虑像素的局部区域转载 2016-09-14 11:25:08 · 2899 阅读 · 1 评论 -
Stereo Matching文献笔记之(三):经典算法Semi-Global Matching(SGM)之碉堡的动态规划
上一篇博客中提到了SGM的第一部分,基于分层互信息(HMI)的代价计算,本文继续说说自己对SGM代价聚合部分的理解。(转载:http://blog.csdn.net/wsj998689aa/article/details/50488249, 作者:迷雾forest)SGM的代价聚合,其实仔细看看,这并不是严格意义上的代价聚合,因为SGM是为了优化一个能量函数,这和一转载 2016-09-14 11:33:40 · 2606 阅读 · 1 评论 -
工作指导
一转眼,工作三年了,如今已经和老东家说再见,即将开始新的征程,于是留下这篇博客,三年工作下来经验没有多少,教训却很多,选择头尾几个项目聊一聊我的一点经验教训,权当纪念三年的美好时光。1. 教育意义最深的项目还记得当初姿态估计那个项目的时候,自己很不适应,采用的方法很是“倔强”,坚决不找源代码,坚决不用差分解决问题,坚持自己建模,坚持对7个参数求取解析解,直到清明放假的前一天,终于恍转载 2016-09-14 11:41:08 · 317 阅读 · 0 评论 -
计算机视觉领域期刊
模式识别,计算机视觉领域,期刊 (1)pattern recognition letters, 从投稿到发表,一年半时间(2)Pattern recognition 不好中,时间长(3)IEICE Transactions on Information and Systems, 作者中有一个必须是会员。收费高,审稿快。影响因子0.4(4)International Journa转载 2016-07-06 16:15:26 · 541 阅读 · 0 评论 -
块坐标下降法(Block Coodinate Descent)
问题的描述:给定一个可微的凸函数,如果在某一点x,使得f(x)在每一个坐标轴上都是最小值,那么f(x)是不是一个全局的最小值。形式化的描述为:是不是对于所有的d,i都有这里的代表第i个标准基向量。答案为成立。这是因为:但是问题来了,如果对于凸函数f,若不可微该会怎样呢?答案为不成立,上面的图片就给出了一个反例。转载 2016-09-21 16:27:02 · 33141 阅读 · 2 评论 -
Linux开机出现welcome to emergency mode! 解决方法
welcome to emergency mode!after logging in ,type “journalctl -xb” to view system logs,“systemctl reboot” to reboot ,“systemctl default” to try again to boot into default mode。give root password for m...原创 2019-01-20 10:30:26 · 48817 阅读 · 14 评论