涉及红外的数据集 FREE - FLIR Thermal Dataset for Algorithm Trainingwww.flir.com/oem/adas/adas-dataset-form/正在上传…LLVIP数据集是在时间和空间上严格对齐的数据对。用于暗光条件下的红外和可见光的行人检测算法。一个新的数据集，用于无人机的。10k张可将光-红外图像对，基于热红外和可见光图像。，进行融合前需校正。
关于tar 解压分割压缩文件 进入到你保存这个文件的目录下，例如把这四个文件放在E盘下，就直接切换盘符E:，进入E盘。之后就可以看到一个合并的文件（FLIR_ADAS_1_3.tar），解压此文件即可。被分割后的压缩文件必须先合并成一个压缩文件才能正常的解压。win+R 进入运行，输入cmd，回车。第一步、合并压缩文件。
解决pycharm导入自建包错误、安装了opencv-python库cv2仍报错 在最外层的包上我们点击右键，然后按照下图操作，将最外层的包作为根路径，然后确定，我们就会发现此时错误已经消失了，可以使用导入包中的函数了！出现的问题页面--导入自己的包报错。
02QMainWindow QMainWindow是一个为用户提供主窗口程序的类，包含一个菜单栏（menu bar）、多个工具栏(tool bars)、多个锚接部件(dock widgets)、一个状态栏(status bar)及一个中心部件(central widget)，是许多应用程序的基础，如文本编辑器，图片编辑器等。
python知识（持续更新吧） N维数组是机器学习和神经网络的主要数据结构。0-d(标量) 1.0 一个类别1-d(向量) [1.0, 2.7, 3.4] 一个特征向量2-d（矩阵） 一个样本-特征矩阵3-d RGB图片（宽×高×通道）4-d 一个RGB图片（批量大小×宽×高×通道）5-d 一个视频批量（批量大小×时间×宽×高×通道）用于改变当前工作目录到指定的路径。os.chdir(path) path -- 要切换到的新路径。如果允许访问返回 True , 否则返回False。
QT-信号和槽 参数2：发送的信号(函数的地址)参数3：信号的接受者（窗口）去帮助文档找一下signal 看怎么用。参数1：信号的发送者。参数4：处理的槽函数。实现点击我的按钮，关闭窗口。连接函数：connect。......
QT的概述 1.什么是QTQT是一个跨平台的C++图形用户界面应用程序框架。它为应用程序开发者提供建立艺术级图形所需的所有功能。它是完全面向对象的，容易扩展，并且允许真正的组件编程。2.QT的发展史1991年，QT最早由奇趣科技开发1996年，进入商业领域，它也是目前流行的Linux桌面环境KDE的基础2008年，奇趣科技被诺基亚收公司收购，QT称为诺基亚旗下的编程语言2012年，QT又被Digia公司收购。...
理解Widget::Widget(QWidget *parent) :QWidget(parent) 3 main函数实例化了两个子类实例，child1，child2。child1调用默认构造函数。2 上方代码定义了一个BaseChild类，并继承Base类，同样的，它也定义了两个构造函数，一个默认，一个有整型参数。初始化列表中的Base(val)正是调用了我们Base基类的有参构造函数，而这样的写法就刚好是我们开头代码中的那段。1 上方代码定义了一个基类Base，并且有两个构造函数，一个是默认构造函数，一个是有一个整型参数的构造函数。所以可以类比一下：Widget是调用了QWidget下面的构造函数。..
QT5.12安装 如果你的电脑里有VS2013、2015、2017版本，则勾选下面箭头所指的对应项，如果没有则勾选下图选中的项，此项为编译器，箭头所指部分为直接借用VS的编译器，而没有这几个版本就只能安装QT推荐的编译器，安装错误会导致QT无法编译！ps：这里编译器的选择一定要注意，使用什么编译器写的程序就只能用什么编译器打包，否则打包程序的时候会有非常多的bug，有的无法修复，只能重装QT。根据不同的操作系统，选择不同的安装包即可，不用管源码包，除非你想自己编译或者阅读源码。下载完成后，会显示注册，也可以选择跳过的。...
vscode安装包下载速度太慢解决办法 点击右键复制下载地址如： https://az764295.vo.msecnd.net/stable/7db1a2b88f7557e0a43fec75b6ba7e50b3e9f77e/VSCodeUserSetup-x64-1.63.0.exe。1、访问vscode官网：Visual Studio Code - Code Editing. Redefined。3、用国内的镜像服务器地址替换官网下载地址。使用新的下载地址新建下载任务进行下载。2、点击下载进入下载页面。......
C++面向对象之继承 从基类继承过过来的表现其共性，而新增的成员体现了其个性。class 子类 ： 继承方式 父类。一类是从基类继承过来的，一类是自己增加的成员。继承是面向对象三大特性之一。继承的好处：减少重复代码。
C++面向对象之对象的初始化和清理 如果用户定义有参构造函数，c++不在提供默认无参构造，但是会提供默认拷贝构造。来解决上述问题，这两个函数将会被编译器自动调用，完成对象的初始化和清理工作。4、程序在调用对象的时候会自动调用构造，无须手动，而且只会调用一次。4、程序在对象销毁的时候会自动调用析构，无须手动，而且只会调用一次。C++类中的成员可以是另一个类的对象，我们称该成员为对象成员。那么当创建B对象时，A与B的构造和析构的顺序是谁先谁后？注意：构造顺序：先构造A的对象，再构造B类（当其他。作为本类成员，构造时候先构造类对象，再构造自身，）
C++面向对象之封装 C++ 在 C 语言的基础上增加了面向对象编程，C++ 支持面向对象程序设计。类是 C++ 的核心特性，通常被称为用户定义的类型。类用于指定对象的形式，它包含了数据表示法和用于处理数据的方法。类中的数据和方法称为类的成员。函数在一个类中被称为类的成员。
第二讲 初识SLAM 后端接受不同时刻视觉里程计测量的相机位姿,以及回环检测的信息,从带有噪声的数据中，对它们进行优化,得到全局一致的轨迹和地图.由于接在VO之后,又称为后端(BackEnd).这两个方程描述了最基本的SLAM问题当知道运动测量的读数u,以及传感器的读数z时,如何求解定位问题(估计x)和建图问题(估计y)?视觉里程计的任务是估算相邻图像间相机的运动,以及局部地图的样子.VO又称为前端(FrontEnd).地图的形式包括度量地图(精确表示地图物体的位置关系)与拓扑地图(更强调地图元素之间的关。...
查找论文源代码 这也是刚接触到一个新领域时候，必须要做的事情，先找到最新最好的算法论文，然后根据这篇论文的代码实现，先跑下代码，接着再去了解细节，或者是根据它的参考论文，来学习这个领域最近几年的论文（一般是3年到5年内的），逐渐熟悉这个领域的研究方向和难点所在。还是PaperswithCode的团队做出了一个可以查询领域最新算法的网站，它总共包含了16个大类，950+的单独子类任务，500+个评估结果（包含Sota结果）、700+数据库，8000+论文。在他的主页上看看他是否公开了论文的代码。...
ResNet解读和1×1卷积介绍 深度卷积网络好在哪里？-----它可以加很多层，把网络变得很深，不同程度的层可以得到不同等级的特征。 作者提出一个问题--一个网络只是简单的堆叠就好了嘛？——不是，当网络变得很深的时候，梯度会出现爆炸或者消失。一个解决方法，初始化时设置一个合适的权重，不要太大也不要太小。又或者在中间加入normalization（包括BN）,可以使得校验每个层之间的那些输出和它梯度的那些均值和方差。上述两个方法可以让网络收敛，但是网络变深后，性能会变差（不是过拟合造成的，因为训练误差和测试误差都会变得很差），所以现在网络虽
Beyond Max-Margin: Class Margin Equilibrium for Few-shot Object Detection论文阅读 新的类别分类和表示之间的隐含矛盾被忽略了，这个矛盾是——为了将类彼此分开，两个基类中的任何一个基类都需要彼此相距较远(max-margin))，这聚合了新类的类内距离。为了准确地表示新类，基类的分布应该接近新类的分布(min-margin)，这提高了分类的难度。如下图即如何在分类和表示中取得平衡，是一个问题。 因此作者提出CME，优化特征空间划分和novel类表示。对于训练和微调阶段所用的数据集dataset D都被分为支持集和询问集，具体如下图：该个网络结构由两个分支组成，即支持集分支和询问集分支。支持集
Few-Shot Learning 给你一张图片如下，左边是犰狳，右边是穿山甲，然后给你一张Query让判断是犰狳还是穿山甲。大多数人分辨不出，但是如果你给人看图片，则正常人都能正确分类，那么计算机可以像人一样作出正确分类吗？如果每一类只有一两张个样本，那么计算机可以像人一样作出正确分类吗？对于下图的例子，有两类，每一类有两个样本，仅有四张照片，不可能训练一个深度神经网络。因此，对于小样本问题，不能用传统方法分类。注：Support set很小 小样本学习和传统监督学习不同，它的目标不是让你识别训练集中的目标，并泛化到测试集中。它的目标是自己
Dynamic Sparse R-CNN 是对Sparse R-CNN的改进Sparse R-CNN是近期通过对稀疏，可学习提议框和提议特征进行集合预测的一种强大的目标检测方法。在该篇文章中，提出了两种动态设计（DLA和DPG）来改进Sparse R-CNN。为什么：作者认为在Sparse R-CNN中基于匈牙利算法的一对一匹配不是最优的，所以提出一个多对一分配的假设来更有效地优化proposals并促进检测器训练。实现：遵循基于 CNN 的方法 ， 并在 Transformer 中应用最优传输分配（OTA）。OTA 是一种探索检测框应如何与基本事
关注
