- 博客(45)
- 收藏
- 关注
原创 HS-ResNet: Hierarchical-Split Block on Convolutional Neural Network 卷积神经网络的层次分割块
摘要本文提出了一种称为Hierarchical-Split块的表征块,它可以作为一种即插即用的块对现有卷积神经网络进行升级,显著提高了网络中的模型性能。层次分割块包含许多层次分割和连接连接在一个单一的残留块。我们发现多尺度特征对于众多的视觉任务是非常重要的。如图1所示,是准确率和延时之间的比较。圆的大小表示参数量。橙色表示不同的提升策略,绿色表示用不同的注意力机制。红色是我们设计的,蓝色是大的ResNet。引言如何去改进网络结构从而提高CNN的表征能力?一张特征图被分为S组,每一组有W通道。如图
2021-09-18 14:56:36
794
原创 (2018ECCV)CBAM:卷积块注意模块
摘要给定一个中间特征图,我们的模块将沿着通道和空间两个独立的维度依次推断出注意力图,然后将注意力图乘以输入特征图进行自适应特征细化。引言为了提高CNN的性能,最近的研究主要研究了网络的三个重要因素:深度、宽度和基数(cardinality)。出了上述三种因素,我们探究了网络架构设计的另一方面:注意力机制。专注于重要的特性并抑制不必要的特性。相关工作网络工程。加深网络渐近饱和,由于梯度传播较为困难。ResNet采用跳层连接来解决此问题。基于ResNet,WideResNet提出了一种具有较
2021-08-01 16:42:43
1236
原创 CenterNet :Objects as Points-论文笔记(目标检测)
摘要传统目标检测将物体定义为沿着坐标轴的边界框,对所有可能的物体进行穷举搜索,再进行分类。这种方法耗时耗力,且需要额外的后处理过程。本文将物体建模为单个点——边界框的中心点,用关键点估计找到中心点,并且回归输出物体其他属性,如:尺寸,3D位置,旋向,甚至位姿。本文方法称为CenterNet,一种端到端具有多种优点的目标检测方法,达到了速度与准确率的平衡。引言目标检测很重要,为许多后续任务提供支撑(实力分割、位置估计等)。在监控、自动驾驶等领域有广泛应用。传统目标检测将物体定义为沿着坐标轴的边界框,对所
2021-07-25 20:43:59
889
原创 用Transformer端到端车道形状预测Lane Shape Prediction with Transformers
摘要主流做法(特征提取和后处理)比较有用,但无法学习车道线的细长结构,学习过程有瑕疵。本文提出的端到段方法可以直接输出车道线的形状参数,transformer可以学习全局信息和车道线独有的结构。引言提出了个数据集 Forward View Lane (FVL)。相关工作和PolyLaneNet类似的思路,在这项工作中,我们的方法也期望参数输出,但不同之处在于这些参数来自车道形状模型,该模型对道路结构和相机姿势进行建模。 这些输出参数具有明确的物理意义,而不是简单的多项式系数。 此外,我们的网络是用
2021-06-01 10:23:06
1700
8
原创 (2021CVPR)实时注意力引导的车道检测(Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection)
摘要本文提出了LaneATT:基于锚的深度车道检测模型,类似于其他通用的深度对象检测器,该模型将锚用于特征池化步骤。由于车道遵循规则模式且高度相关,因此我们假设在某些情况下,全局信息对于推断其位置可能至关重要,尤其是在诸如遮挡,缺少车道标记等情况下。因此,这项工作提出了一种新颖的基于锚点的注意力机制,该机制聚集了全局信息。引言诸如多项式回归模型之类的某些方法也可能会遭受由长尾效应引起的数据不平衡问题,因为曲线较锐利的情况不太常见。 此外,该模型不仅必须是鲁棒的,而且必须是有效的。 在几种应用中,车道
2021-05-18 09:23:48
2197
原创 使用深度神经网络从连续驾驶场景中进行健壮的车道检测 Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Net
摘要大多数方法着重于从单帧图像检测车道,并且在处理某些极差的情况(例如重影,严重的标记退化,严重的车辆遮挡等)时,通常会导致性能不令人满意。 实际上,车道是道路上的连续线结构。 因此,可以通过合并先前帧的信息来潜在地推断出在一个当前帧中不能准确检测到的车道。引言有挑战场景的车道检测效果如图1所示。更精确地,即使该车道可能遭受由阴影,污点和遮挡所带来的损坏或退化,也可以通过使用多个先前的帧来预测当前车道中的车道。 这促使我们通过使用连续驾驶场景的图像来研究车道检测。本文提出了一种混合深度神经网络,
2021-05-17 10:43:47
852
原创 车道标记检测中的深度学习:综述(Deep Learning in Lane Marking Detection: A Survey)
摘要车道线检测很重要,其起着提供相关道路信息、辅助车辆定位、前车检测等作用,但是有挑战(光照、遮挡、磨损等)。本文综述了深度学习方法于车道线检测中的应用,主要关注现有方法的网络架构和优化目标。同时本文还阐述了相关数据集、评价指标、通用的数据处理技术,比较了不同方法的检测性能、运行时间。最后给出车道线检测的最新挑战和未来趋势。引言深度学习技术与其他学习技术的结合取得了巨大的成功。深度强化学习是深度学习和强化学习相结合的产物。 深度无监督学习是指基于未标记的训练样本来解决各种问题。 它包括生成深度结构,例
2021-05-16 16:18:30
4351
3
原创 CULane车道线数据集介绍
原文链接:https://xingangpan.github.io/projects/CULane.html描述CULane是一个大规模的具有挑战性的数据集,用于行车道检测的学术研究。 它是由安装在六辆由北京不同驾驶员驾驶的不同车辆上的摄像机收集的。 收集了超过55小时的视频,并提取了133,235帧。 数据示例如上所示。 我们将数据集分为88880个训练集,9675个验证集和34680个测试集。 测试集分为正常类别和8个具有挑战性的类别,分别对应于上面的9个示例。对于每帧,我们都使用三次样条
2021-03-30 21:26:55
9747
7
原创 图森TuSimple车道线检测数据集介绍
原文:https://github.com/TuSimple/tusimple-benchmark/tree/master/doc/lane_detection数据集下载地址:道路上的对象可以分为两大类:静态对象和动态对象。 车道标记是高速公路上的主要静态组成部分。 他们指示车辆以交互方式安全地在高速公路上行驶。 为了鼓励人们解决高速公路上的车道检测问题,我们发布了大约7,000个1秒钟长的20帧长的视频剪辑。车道检测是自动驾驶中的一项关键任务,它为汽车的控制提供定位信息。 我们为此任务提供了视
2021-03-29 19:28:31
11003
2
原创 基于循环特征位移聚合器的车道线检测(RESA: Recurrent Feature-Shift Aggregator for Lane Detection)
2021年的车道线检测新方法。官方公开视频、论文、源码:https://www.bilibili.com/video/BV1664y1o7wghttps://arxiv.org/abs/2008.13719https://github.com/ZJULearning/resa(该视频对现有车道线检测方法进行了分类、归纳总结,很完善。建议食用)基于深度学习的车道线检测方法可分为如下几类:实例分隔。例:LaneNet语义分隔。例:SCNN网格化。多项式。基于Anchor。本方法是
2021-03-28 17:14:11
5405
17
原创 Ubuntu18.04安装Carla
官网提供了两种安装方式:Linux buildQuick start installation第二种安装方式更为简单,但“可以完全访问API,但高级自定义和开发选项不可用。”考虑到实际用途,我们选择第二种。同时,由于自release0.9.9后,carla不能用ubuntu16.04的默认编译器运行,而且考虑到现有程序的版本,我们选择carla0.9.8版本。pip install --user pygame numpy...
2021-03-10 16:42:05
885
2
原创 Efficientnet学习笔记
前言学习车道线检测,这可能是近几年去白Resnet的backbone网络。这里学习一下。这个视频对论文的想法进行了透彻的讲解。https://www.bilibili.com/video/BV1Jp4y1r7wa?from=search&seid=6199887204214718312这是对网络结构的讲解:https://www.bilibili.com/video/BV15A411e71r?from=search&seid=6199887204214718312https
2021-03-06 20:39:56
210
原创 yaml模块的学习
总结自https://www.bilibili.com/video/BV1Vy4y1m78y?from=search&seid=1533918474284290536总的来讲,YAML是一种用来描述数据的文件格式。
2021-03-06 10:00:26
120
原创 sys模块的学习
总结自:https://www.bilibili.com/video/BV1Wf4y1R7W4?from=search&seid=12906657570514676396不知道为什么我的输出和他的输出不一样。。。记录一下入口参数(不是很懂)关于sys.excepthook:https://docs.python.org/zh-cn/3/library/sys.html?highlight=sys%20excepthook#sys.excepthook...
2021-03-05 18:29:40
120
原创 logging模块的使用
总结自:https://www.bilibili.com/video/BV1sK4y1x7e1?from=search&seid=6715642328131087006该模块主要用于处理日志信息。在大型项目中十分有用。日志级别分类如下:下图验证了默认日志级别是warning。默认在console打印出日志信息。打印格式:级别:记录器(root):日志信息使用basicConfig可指定日志输出级别。为什么会出现下图现象?(print先执行却后输出)A:多线程balabala(不是.
2021-03-05 10:19:25
202
2
原创 argparse模块的使用
https://zhuanlan.zhihu.com/p/56922793https://docs.python.org/zh-cn/dev/library/argparse.html#module-argparse该模块可以实现命令行选择参数。如果不用该模块,计算一个圆柱体体积很麻烦。每次圆柱体的半径和高度变化时,需要打开编辑器进行改变。:如果使用该模块:一共三步:创建一个解析器添加参数解析参数第7行中:description是对这个解析器对象的描述。第8、第9行则实现了添加两个.
2021-03-04 18:51:58
220
2
原创 PolyLaneNet:基于深度多项式回归的车道估计(PolyLaneNet: Lane Estimation via Deep Polynomial Regression)
摘要车道线检测要求实时性(>=30FPS)。引言车道线检测很重要巴拉巴拉。。。车道线检测分为传统方法(手工特征提取+曲线拟合)和深度学习方法。深度学习方法能够更鲁棒,但仍有一些问题需要解决:许多方法将车道线检测作为一个two-step的过程:feature extraction and curve fitting。(但大多数方法都是通过基于分割的模型来提取特征的,不具有时效性。单独的分割步骤不足以提供车道标记估计,因为分割地图必须经过后处理,以输出交通线路。)(可能忽略global
2021-02-27 20:59:49
3197
17
原创 基于端到端深度学习的自动驾驶:AirSim教程(包含Ubuntu18.04下配置AIrsim仿真环境解决方案)
这是微软自动驾驶食谱的第一个教程(目前共两个)。之前看到过,这里记录一下。https://github.com/microsoft/AutonomousDrivingCookbook前言在本教程中,将学习如何使用AirSim仿真环境收集的数据来训练和测试自动驾驶的端到端深度学习模型。将训练一个模型,学习如何通过山脉/景观地图的一部分,在AirSim使用一个单一的正面面对网络摄像头(webcam)采集到的画面作为输入去操纵汽车。这样的任务通常被认为是自动驾驶的“你好世界”,教程结构用Keras框
2021-01-31 16:03:09
2649
13
原创 基于实例分割方法的端到端车道线检测 论文+代码解读
Towards End-to-End Lane Detection: an Instance Segmentation Approach论文原文https://arxiv.org/pdf/1802.05591v1.pdf代码https://github.com/hq-jiang/instance-segmentation-with-discriminative-loss-tensorflow (100% python)前言车道线检测的一篇很经典的论文,网上关于这篇论文的代码解读很
2021-01-19 17:20:39
7859
17
原创 基于卷积神经网络和热力图回归的非结构化道路消失点检测 论文解读
Unstructured Road Vanishing Point Detection Using the Convolutional Neural Network and Heatmap Regression基于卷积神经网络和热图回归的非结构化道路消失点检测前言:20年的一篇文章,是关于非结构化道路VP检测中第一篇基于深度学习的解决方案。之前读过,这里再读一下,顺便再跑一下程序。原文链接:https://arxiv.org/abs/2006.04691源代码:https://github
2021-01-18 10:23:02
2203
4
原创 VPGNet—用于车道线和道路标志检测和识别的消失点引导网络
用于车道线和道路标志检测和识别的消失点引导网络(VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition)前言:这是ICCV 2017的一篇文章。通过消失点(vanishing point)去辅助处理车道线和道路标志的检测和识别。针对自动驾驶中雨天和黑夜的研究现状(截至2017年,并无公开的基准数据集),该文构建了带有消失点标记的4种场景数据集(no rain, rain, hea
2021-01-16 20:45:42
4535
9
原创 配置深度强化学习环境(Ubuntu18.04+3060TI显卡+远程控制)
第一次自己动手配置环境,反反复复多次,故此记录,出问题时回来查询安装Ubuntu18.04环境1.从官网下载镜像源http://releases.ubuntu.com/bionic/2.写入U盘https://blog.csdn.net/weixin_41997327/article/details/103763141这里选择的是UltraISO软件,其他也可以,网上自行百度即可3.正式安装https://blog.csdn.net/chencaw/article/details/101
2020-12-21 19:42:54
4797
15
原创 软件推荐
推荐Deepin Screenshot应用商店安装:https://blog.csdn.net/u012815136/article/details/103917332
2020-12-18 20:55:28
111
2
原创 基于深度强化学习的车道线检测和定位(Deep reinforcement learning based lane detection and localization) 论文解读+代码复现
之前读过这篇论文,导师说要复现,这里记录一下。废话不多说,再重读一下论文。注:非一字一句翻译。个人理解,略有偏颇。基于深度强化学习的车道检测和定位官方源码下载:https://github.com/tuzixini/DQLL论文原文:https://www.sciencedirect.com/science/article/pii/S0925231220310833摘要基于深度学习的车道检测方法只检测带有粗略边框的车道线,而忽略了特定曲线车道的形状。针对上述问题,本文将深度强化学习引入粗车道检测
2020-12-17 16:19:51
7897
13
原创 windows10下TensorFlow0.12中Tensorboard无法显示图
问题tensorboard --logdir=D:\mofan-tutoral\tutorials-master\tensorflowTUT\tf14_tensorboard\logs1.logdir=绝对路径2.不加引号
2020-10-08 10:49:21
127
原创 WIN10下安装ROS2遇到的坑
安装OpenSSL时:成功!注:以上仅为自己记录,到目前还是没有办法更改chocolatey的安装路径。看着C盘的空间默默发抖。。。
2020-10-07 11:44:28
532
翻译 基于carla和python的自动驾驶仿真系列6
欢迎来到自动驾驶汽车/自动驾驶汽车的第6部分,以及使用Carla、Python和TensorFlow增强学习。在这一部分中,我们将讨论我们工作的一些初步发现。我将使用“我们”这个短语,因为这是我和Daniel Kukiela共同努力的结果。一开始,问题刻意保持简单。代理可以采取三种行动中的一种:左转,右转,直走。我选择了Xception模型,因为我发现这个模型很成功,并且在GTA做自动驾驶汽车。对于奖励,我们设置如下:+1,每帧驱动>限速每小时50公里-1,每帧驱动<限速每小时50公里
2020-10-04 16:14:22
1505
1
翻译 基于carla和python的自动驾驶仿真系列5
欢迎来到自动驾驶汽车和增强学习的第5部分,Carla, Python和TensorFlow。现在我们已经有了环境和代理,我们只需要添加一些逻辑来将它们联系在一起,这就是我们接下来要做的。完整的代码到这一点:import globimport osimport sysimport randomimport timeimport numpy as npimport cv2import mathfrom collections import dequefrom keras.applicat
2020-10-04 10:02:29
1879
翻译 基于carla和python的自动驾驶仿真系列4
在我们的自动驾驶汽车的第四部分,Carla, Python, TensorFlow,和强化学习项目,我们将致力于编写我们实际的代理。在上一篇教程中,我们处理了environment类,我们的代理将与之交互。
2020-10-03 10:51:21
1096
翻译 强化学习入门系列6
欢迎来到深度Q学习与深度Q网络(DQNs)教程的第6部分。在上一篇教程中,我们处理了DQNAgent类,这里我们将从中断的地方继续。代码到此为止:from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Conv2D, MaxPooling2D, Activation, Flattenfrom keras.callbacks import TensorBoardfrom keras.optimizers
2020-10-02 16:43:55
368
翻译 强化学习入门系列5
大家好,欢迎收看关于深度Q学习和深度Q网络(DQNs)的第一个视频。深度Q网络是深度学习/神经网络版本的Q- learning。使用DQNs,您可以使用一个模型来进行推断(作出预测),而不是使用Q表来查找值,您可以对模型进行拟合(训练),而不是更新Q表。典型的DQN模型可能类似于:DQN神经网络模型是一个回归模型,它通常会为每个可能的操作输出值。这些值将是连续的浮点值,它们直接是我们的Q值。当我们在环境中长大时,我们将执行.predict()来计算我们的下一步(或随机移动)。当我们执行.predi
2020-10-01 16:45:39
456
1
翻译 强化学习入门系列4
写在前面先祝双节快乐,在广东的河北孩子表示回不去家,图书馆的人比往常少,空调太给力,吹的我还有点儿冷。废话不说,开始今天的任务!正文欢迎来到强化学习系列的第4部分以及我们的Q-learning部分。在这一部分,我们将通过创造我们自己的学习环境来总结基本的q学习。我最初并没有打算把它作为一个教程来做,这只是我个人想做的事情,但是,在多次请求之后,它只是作为一个教程来做才有意义!如果您多年来一直跟随我的教程,您就会知道我喜欢blob。我喜欢玩家blobs,食物,和坏敌人blobs!这在我的例子中是很重要
2020-10-01 15:51:34
287
翻译 强化学习入门系列3
欢迎来到强化学习系列的第3部分以及Q学习部分的第3部分。到目前为止,我们已经成功地制作了一个Q-learning算法来导航OpenAI山地车环境。现在的问题是,我们有很多需要调优的参数。能够打败游戏是一回事,但我们可能想要更快地打败它,甚至尝试探索更快地学习的方法。为了做到这一点,我们需要开始弄清楚我们到底在做什么。首先,我们可以从程序中跟踪一些非常基本的度量标准。我们的启动脚本:# objective is to get the cart to the flag.# for now, let's j
2020-09-30 20:23:45
631
1
翻译 强化学习入门系列2
欢迎来到强化学习系列教程的第2部分,特别是Q-Learning。我们已经建立了q表它包含了所有可能的离散状态。接下来,我们需要一种方法来更新q值(每个可能动作每个唯一状态的值),这让我们:如果你像我一样,这样的数学公式会让你晕头转向。以下是代码公式:new_q = (1 - LEARNING_RATE) * current_q + LEARNING_RATE * (reward + DISCOUNT * max_future_q)这对我来说更清楚一点!现在我们唯一不知道它们来自何方的是:DISC
2020-09-30 19:24:02
283
翻译 强化学习入门系列1
写在前面最近在学油管上某大佬的自动驾驶课程,看到了强化学习部分,因此又将该大佬的其他课程也学习一下,特此记录。纯属个人学习所用,如有侵权,请联系;本人将立即处理!Q-Learning介绍和Q表欢迎来到强化学习教程。在这一部分,我们将关注q学习。Q-Learning是一种无模型的机器学习形式,在某种意义上,人工智能“代理”不需要知道或拥有它将身处的环境的模型。相同的算法可以在各种环境中使用。对于给定的环境,一切都被分解为“状态”和“操作”。状态是我们从环境中提取的观察和取样,而行为是代理根据观察做出
2020-09-28 09:28:52
375
翻译 基于carla和python的自动驾驶仿真系列3
欢迎来到卡拉自动驾驶汽车的Python编程教程的第3部分。在本教程中,我们将利用Carla API的知识,尝试将这个问题转化为一个强化学习问题。在OpenAI开创了强化学习环境和解决方案的开放源码之后,我们就有了一种接近强化学习环境的标准化方法。这里的想法是,您的环境将有一个step方法,它返回:observation, reward, done, extra_info,以及一个reset方法,它将基于某种done标志重新启动环境。我们所需要做的就是创建代码来表示这个。我们将从卡拉经常进口的东西开始:
2020-09-26 21:54:25
4457
翻译 基于carla和python的自动驾驶仿真系列2
写在前面有关于本文目的的说明和一些代码的链接已经放在系列1中,可以进我的主页进行查看。废话不多说,开淦。欢迎来到卡拉自动驾驶汽车教程系列的第二部分。在本教程中,我们将向你介绍Carla的Python API。首先,在Carla中有几种类型的对象。首先,你当然有“世界”。这是你的环境。然后,你有这个世界的演员。演员是你的车,你车上的传感器,行人,等等。最后,我们有了蓝图。蓝图是参与者的属性。有了这些信息,让我们开始编写一些实际的代码。首先,让我们做一辆车,生成并简单地向前行驶,然后我们想要看到信息从
2020-09-26 21:39:57
2185
翻译 基于carla和python的自动驾驶仿真系列1
写在前面本文转自https://pythonprogramming.net/introduction-self-driving-autonomous-cars-carla-python/,经作者简单翻译得到,仅用于本人学习记录,如有不妥,纯属本人理解错误,不负任何责任;如有侵权,请联系本人,立马删除!本文末尾附上文中提到的链接。正文大家好,欢迎收看关于Carla的系列教程,Carla是一个开源的自动驾驶环境,还提供了与之交互的Python API。Carla的主要思想是先有环境(服务器),然后是代
2020-09-26 21:14:55
2755
1
原创 keras下graphviz报错解决方案
学些keras,想要可视化VGG-16,报错:https://blog.csdn.net/sinat_40282753/article/details/85046871https://zhuanlan.zhihu.com/p/32007274重启后生效记录一下
2020-08-20 11:11:22
193
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人