深度学习
文章平均质量分 90
Jeremy Cui
这个作者很懒,什么都没留下…
展开
-
3D目标检测——CLOCs论文学习笔记
CLOCs:Camera-LiDAR Object Candidates Fusion for 3D Object Detection文章链接:https://www.researchgate.net/publication/344067087_CLOCs_Camera-LiDAR_Object_Candidates_Fusion_for_3D_Object_Detectiongithub:https://github.com/pangsu0613/CLOCs文章是当前在后融合方面做到SOTA,为现有原创 2021-07-02 15:14:37 · 2187 阅读 · 3 评论 -
3D目标检测——最新多模态融合算法综述
激光雷达lidar+相机camera融合的算法综述纵观各大榜单KITTI,nuScenes等,lidar+camera等多种方法慢慢向榜单前面移动,精度的不断提升也说明了当前多模态融合有了一定喜人的进步。本文总结CVPR,ECCV等多种包括 feature-fusion & late-fusion 的算法进行总结。希望可以给对当前领域有兴趣的朋友们一些帮助,也欢迎随时交流~整体框图下面思维导图对当前各种融合算法进行了整体的总结和概括:其中特征融合现阶段主要指在特征层面进行的中融合即 fe原创 2021-07-02 11:54:29 · 2705 阅读 · 1 评论 -
深度学习笔记(三)——归一化&残差网络
6.1 批量归一化和残差网络浅层模型:处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。深层模型:利用小批量上的均值和标准差,不断调整神经网络中间输出,从而使整个神经网络在各层的中间输出的数值更稳定。全连接层位置:全连接层中的仿射变换和激活函数之间。分母加上很小的数值以保证不为零,同时可以引入拉伸参数与偏移参数,可以使归一化效果不好的时候无效化。卷积层位置:卷积计...原创 2020-02-25 21:32:33 · 2584 阅读 · 0 评论 -
深度学习笔记(二)——卷积神经网络,过拟合欠拟合及解决方案
3.1 过拟合、欠拟合及解决方案原创 2020-02-15 13:39:17 · 3117 阅读 · 0 评论 -
深度学习笔记(一)——循环神经网络&NLP
第一次打卡1.1 线性回归a. 为追求更快的速度应该使用矢量计算来提高运算速率;b.`labels += torch.tensor(np.random.normal(0,0.01,size = lables.size()), dtype = torch.float32)`#加上偏差的原因:计算所得的label值无法与真实数据完全相等c.random.shuffle 对数据集进行打乱(...原创 2020-02-14 19:43:00 · 353 阅读 · 0 评论