shuai_shuai_yuan的博客

在BEV视角下的3D 视锥空间进行关联，这给了我们启发，很多BEV感知模型的View Transformer模块都是在3D空间下进行特征对齐。能看到PE单独带来15.4%提升，FA单独25.9%提升，而二者结合带来34.5%的提升，说明扩展点云+视锥关联这种融合方式相辅相成对Radar点进行了前景和背景的分离，带来了更好的提升。当我们获得2D BBox的位置(center point, offset, H, W)和框内像素的深度的初步估计，可以得到bbox的3D视锥大致范围，以此为依据滤除雷达背景点。

利用高频电路产生特定调制频率（FMCW）的电磁波，并通过天线发送电磁波和接收从目标反射回来的电磁波，通过发送和接收电磁波的参数来计算目标的各个参数。FMCW波形频率随时间线性变化。MLP对单个点云特征编码-> 节点特征更新->预测->后处理NMS。工作频率：76~81GHz（长距离探测和高距离分辨率）：绝对坐标+T-Net偏移值+相对中心偏移值）RD数据：UNet分割用于点目标检测。：分类任务，每类有尺寸模板;：预测bins+回归修正值；预测每个类别置信度分布图。

预测和更新过程。

视觉VIO框架: MSCKF

代码随想录 回溯 总结

剑指offer 34 二叉树和为某一值的路径二叉树搜索路径问题-递归回溯1. DFS回溯 (显式)2. DFS回溯（隐式）3. 类似搜索路径题目二叉树搜索路径问题-递归回溯题目链接给你二叉树的根节点 root 和一个整数目标和 targetSum ，找出所有 从根节点到叶子节点 路径总和等于给定目标和的路径。将求路径节点和转化为差，target不断减去节点val, 到达叶节点后值为0，则满足条件。1. DFS回溯 (显式)class Solution {public: vector&

心电图信号预测 - task 5 模型融合1. 融合方法1.1 简单加权融合1.2 stacking/blending[^1]1.2.1 stacking1.2.2 blending1.3 boosting/bagging2. 代码示例2.1 回归(分类概率)融合2.2 Stacking融合(回归)2.3 分类模型融合2.3.1 Voting投票机制2.3.2 分类的Stacking/Blending融合1. 融合方法1.1 简单加权融合回归（分类概率）：算术平均，几何平均融合分类： 投票（Vot

心电图信号预测 - task 4 建模与调参1. 学习模型1.1 逻辑回归模型1.2 决策树模型1.3 集成模型(ensemble method)1.3.1 bagging 和 boosting2 模型评估方法2.1 数据集划分2.2 划分方法2.3 总结2.4 评价标准3. 代码示例3.1 导入工具包，读取数据3.2 简单建模1. 学习模型1.1 逻辑回归模型优点：可解释性好，适合二分类问题，训练速度快，计算量仅与特征数目有关。缺点：需要预先处理异常值和缺失值；对多重共线性数据较为敏感，很难处理

入门数据挖掘-心电图信号预测-Task3 特征工程1. 数据预处理2. 使用tsfresh进行时间序列特征处理2.1 Tsfresh2.2 去除NaN值2.3 计算特征与响应变量的相关性并选择特征[1] 本文参考datawhale组队学习Task3 特征工程1. 数据预处理对心电特征进行行转列处理，同时为每个心电信号加入时间步特征timetrain_heartbeat_df = data_train["heartbeat_signals"].str.split(",", expand=Tr

心电图信号多分类预测挑战赛-Task1 baseline学习笔记1.赛题概况1.1 数据概况1.2 预测指标1.3 多分类算法常见评估指标1.3.1 Confuse Matrix:1.4 赛题分析2. baseline3. 提交成绩[1] 本文参考datawhale3月组队学习.team-learning-data-mining/HeartbeatClassification1.赛题概况比赛地址：天池心跳信号分类预测比赛要求选手根据给定的数据集，建立模型，预测不同的心跳信号。赛题以预测心电图心跳