啊昃-CSDN博客

原创 Linux下Vision Mamba环境配置+多CUDA版本切换

Linux 下 Vision Mamba的环境配置。笔者在linux下选用CUDA11.8版本，也比较推荐读者使用此版本，方便后续环境配置。

2024-05-19 22:00:00 1844 2

原创 Vision Mamba论文阅读（主干网络）

简单看看，文章介绍了Vim模型，这是一种新的通用视觉基础模型，它利用双向Mamba块(bidirectional Mamba blocks (Vim))和位置嵌入 (position embeddings)来处理图像序列，并在ImageNet分类、COCO对象检测和ADE20K语义分割任务上取得了比现有的视觉Transformer模型（如DeiT）更好的性能。指出了Mamba时间复杂度与序列长度是线性的。而Transformer的时间复杂度是与序列长度乘二次方关系。

2024-05-18 22:00:00 1798

原创单目深度估计---Depth Anything论文详解

论文题目：Depth Anything: Unleashing the Power of Large-Scale—— 任何深度：释放大规模无标记数据的力量（注意论文名字，因为后续的很多工作都是在未标注数据上做的。作者认为Depth Anything是一种用于稳健单目深度估计的非常实用的解决方案。在不追求新颖的技术模块的情况下，作者目标建立一个简单而强大的基础模型（而且是Zero-shot）。为此，作者通过设计一个数据引擎来收集并自动标注大规模未标记数据（∼62M），从而扩大数据覆盖范围，来能够减少泛化误差。

2024-03-30 16:10:17 4946 13

原创 BEV感知---BevFormer详解

论文名字其中关键词是Spatiotemporal 时空的 , 分开即 spatia 空间的l ,temporal 时间的。可见本论文在BEV感知上引入了时间和空间的因素。相比之前的BEV算法来说，这是比较有创新的一点。具体的，下图所示，上面的分支进行空间特征（多视角图像特征）注意力（spatial cross-attention）。下面的分支进行时间特征注意力(temporal self-attention)，可以看到作者这里把前一时刻(t-1时刻）的BEV特征当作是时间特征。

2024-03-25 15:50:23 2444

原创 BEV感知---BevFusion详解

一种非常经典的多模态融合感知方案叫 BEVFusion。这是一种用于多任务多传感器 3D 感知的高效通用框架。BEVFusion 将相机和 LiDAR 功能统一在共享 BEV 空间中，完全保留几何和语义信息。相机和点云分支没有明显的主次关系，相互独立，结果上又相辅相成。高效、准确的多传感器感知对于自动驾驶汽车的安全至关重要。BEVFusion 将最先进的多传感器融合模型的计算成本降低了一半，并在小而远的物体以及雨天和夜间条件下实现了大幅精度提高。它为安全、稳健的自动驾驶铺平了道路。

2024-03-21 15:08:26 3740 4