qq_42035274的博客

在计算点云语义分割crossentropy时，遇到了RuntimeError: multi-target not supported at /pytorch/torch/lib/THCUNN/generic/ClassNLLCriterion.cu其原因在于Loss函数出入维度不对loss_func = nn.CrossEntropyLoss()loss =loss_func(output, labels)在我的函数中，loss函数的第一个输入为(batch_size, n, C),其中n是点

在训练时，我的代码出现了以下问题：Traceback (most recent call last): File "/root/PycharmProjects/test.py", line 8, in <module> model_dict = torch.load("0.pth") File "torch/serialization.py", line 529, in load return _legacy_load(opened_file, map_locati.

A Versatile multi-view framework for lidar-based 3d object detection with guidance from panoptic segmentation作者通过全景分割作为辅助任务来指导3D目标检测工作，此外，作者认为利用Range-View(RV)的网络特征可以指导基于BEV的检测模型，减少BEV投影中特征表示的稀疏性。模型整体结构作者的3D全景分割分支和3D目标检测分支分别使用Cluster-free 3D Panoptic Seg

CVPR2022Stratified Transformer for 3D Point Cloud SegmentationSSA: Stratified Self-attentionContextual Relative Position EncodingMemory-efficient ImplementationStratified Transformer for 3D Point Cloud Segmentation本文中的Stratified Transformer是基于Transformer

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

CVPR2022:Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds本文作者基于point_base的方法实现了高效的3D检测器，其方法例如

Fast R-CNN详解Fast R-CNN的改进Fast R-CNN的基本框架问题解答1解答2全连接层训练测试SVD加速总结Fast R-CNN的改进Fast R-CNN相较于R-CNN来说改进了以下三点：1.基本实现了模型的end-to-end（除了还是需要用Selctive Search来生成2K个候选区域外）。2.不在将每个候选区域放入CNN中计算特征，而是直接输入原图得到原图的全部特征（只进行一次CNN）。3.将候选框的回归和分类问题同时进行输出，而不需要分别训练SVM和回归器。Fas

R-CNN原理详解：候选区域生成Selective Search方法算法流程计算相似度给区域打分特征提取类别判定位置调整总结R-CNN论文链接：R-CNNR-CNN将CNN引入了目标检测领域，可以说是CNN在目标检测领域的开山之作，改变了目标检测领域的研究思路，紧随其后的是Fast R-CNN、Faster R-CNN、Mask R-CNN等一系列模型。R-CNN分为三个部分：1.候选区域生成：对输入图像采用Selective Search的方法生成2K个较为可能是目标的候选区域2.特征提取：

状态压缩动态规划简称状压dp，是一种通过二进制+dp的方法来解决问题的算法，一般来说这类算法适用于有n个任务，将n个任务全部完成需要的最小时间等（也可以用于棋盘问题等），此时我们需要构造2n2^n2n种状态来，考虑各个状态再得出答案。状态压缩动态规划其实算是一种相对暴力的算法，其时间代价往往是指数级别的（速度还是比普通暴力法快很多），掌握状态压缩动态规划首先需要掌握位运算，这是状态压缩动态规划的基础。位运算：1.& ：参加运算的两个数据，按二进制位进行“与”运算。运算规则： 0&0=

转载自：https://mp.weixin.qq.com/s/1gBC-bp4Q4dPr0XMYPStXA深度学习中的各种卷积网络大家知多少？对于那些听说过却又对它们没有特别清晰的认识的小伙伴们，Kunlun Bai 这篇文章非常值得一读。Kunlun Bai 是一位人工智能、机器学习、物体学以及工程学领域的研究型科学家，在本文中，他详细地介绍了 2D、3D、1x1 、转置 、空洞（扩张）、空间可分离、深度可分离、扁平化、 分组等十多种卷积网络类型。如果你曾听过深度学习的各种卷积网络（例如 2D/3D/

最详细的遗传算法解析！！遗传算法遗传算法的大致步骤遗传算法框架编码二进制编码浮点编码法格雷码排列编码初代群体的选取适应度函数遗传选择策略轮盘赌策略（roulette wheel selection）随机竞争策略（Stochastic Tournament）竞标赛策略（tournament selection）遗传操作复制(duplicate)交叉(crossover)消除重复问题变异(mutation)遗传算法的不足和启发代码实现遗传算法遗传算法（Genetic Algorithm，GA）最早是由美国的

Leetcode原题：给定一个由表示变量之间关系的字符串方程组成的数组，每个字符串方程 equations[i] 的长度为 4，并采用两种不同的形式之一：“a==b” 或 “a!=b”。在这里，a 和 b 是小写字母（不一定不同），表示单字母变量名。只有当可以将整数分配给变量名，以便满足所有给定的方程时才返回 true，否则返回 false。 示例 1：输入：["a==b","b!=a"]输出：false解释：如果我们指定，a = 1 且 b = 1，那么可以满足第一个方程，但无法满足第二个

Leetcode 原题：给定两个大小为 m 和 n 的正序（从小到大）数组 nums1 和 nums2。请你找出这两个正序数组的中位数，并且要求算法的时间复杂度为 O(log(m + n))。你可以假设 nums1 和 nums2 不会同时为空。示例 1:nums1 = [1, 3]nums2 = [2]则中位数是 2.0示例 2:nums1 = [1, 2]nums2 = [3, 4]则中位数是 (2 + 3)/2 = 2.5这题我们可以看到，时间复杂度要求为 O(lo

leetcode原题：求 1+2+…+n ，要求不能使用乘除法、for、while、if、else、switch、case等关键字及条件判断语句（A?B:C）。（1 <= n <= 10000）这题的第一种思路是用回溯，这里不多讨论。第二种方法可以用俄罗斯农民乘法。我们知道1+2+3....+n=n∗（n+1）/21+2+3....+n=n*（n+1）/21+2+3....+n=n∗（n+1）/2，但这里我们不能使用乘除法，所以可以用位运算>>1来代替除以2，用俄罗斯农民乘

重定义默认参数 : 参数 1当遇到bug：重定义默认参数 : 参数 1时，我们需要检查一下声明和定义是否重复赋给了某个变量初值。 template<typename T> void polyfit(const std::vector<typename T>& x, const std::vector<typename T>& y, int poly_n, bool isSaveFitYs=true );void Fit::polyfit(c

基于二阶矩阵的优化问题（一）非精确搜索更新Xk+1X_{k+1}Xk+1​线搜索策略牛顿方向拟牛顿方向共轭梯度方向信任域方法设定内容居中、居左、居右设定内容居中、居左、居右设定内容居中、居左、居右非精确搜索更新Xk+1X_{k+1}Xk+1​优化算法的问题在于如何从XkX_kXk​更新到Xk+1X_{k+1}Xk+1​、确定步长公式（详见 基于二阶矩阵的优化问题（二））和判定迭代终止的条件（详见 于二阶矩阵的优化问题（三））是我们需要在不精确搜索中解决的问题。我们有两种方法来解决这个问题：1.线搜索

基于二阶矩阵的优化问题（二）非精确搜索确定步长沃尔夫（wolfe）条件Armijo条件曲率下降条件强沃尔夫（wolfe）条件Goldstein条件回溯法（backtracking）非精确搜索确定步长在之前的文章中，我们已经讨论了如何从XkX_kXk​更新到Xk+1X_{k+1}Xk+1​，这篇文章我们主要不精确搜索中确定步长的方法沃尔夫（wolfe）条件wolfe条件分为Armijo条件和曲率下降条件，只要函数f有下界，所求的α就满足wolfe和强wolfe条件。Armijo条件Armijo条件