pursue excellence AI-CSDN博客

原创【无标题】5G双域专网

5G双域专网应用的优势相比于传统WLAN校园网，5G校园双域专网有如下亮点：（1）广域覆盖，5G校园专网可按需进行广覆盖，小可至某一校园，某一地市，大可支持全省乃至全国漫游；（2）无感认证，网络侧可根据PCF签约识别用户是否为对应校园用户，用户激活即可自动连接校园网，无需用户手动认证；（3）体验优化，5G可实现室内室外连续覆盖无死角，且容量更大，抗干扰强，移动性更好，提升访问体验；（4）无感分流，一机一卡接入可同时访问公网和专网，网络负责分流，用户无感知；

2023-06-15 11:07:17 4313

原创经典的端到端的立体匹配网络：PSMNet（Pyramid Stereo Matching Network）

论文地址：https://arxiv.org/abs/1803.08669代码地址：https://github.com/JiaRenChang/PSMNet

2020-12-05 19:40:58 12862 3

原创 Triangulation Learning Network: from Monocular to Stereo 3D Object Detection

论文链接：https://arxiv.org/abs/1906.01193代码链接：https://github.com/Zengyi-Qin/TLNet本文观点：虽然基于深度学习的立体匹配已经做了大量的工作，但他们主要关注的是像素级而不是物体级。而且通过适当地放置三维锚点和扩展区域建议网络，可以仅使用单眼图像获得类似的结果。像素级别上匹配在计算上是昂贵的和耗时的，为了避免这样的计算，并充分利用立体信息进行三维目标检测，本文提出以三维锚点为参考，通过可学习的三角剖分法在正向过程中检测和定位目标。

2020-11-03 20:32:24 559

原创 Disp R-CNN Stereo 3D Object Detection via Shape Prior Guided

论文链接：https://arxiv.org/abs/2004.03572

2020-10-29 20:53:08 468

原创 Object-Centric Stereo Matching for 3D Object Detection

论文链接：https://arxiv.org/abs/1909.07566KITTI的定性结果：Ground truth和预测分别用红色和绿色表示。彩色点是本文的立体匹配网络预测，而激光雷达点显示在黑色的目的是为了可视化。观点在三维目标检测中，主要关注感兴趣的目标；因此，只对目标图像作物进行立体匹配，并在训练时掩盖地面真实背景的差异，只对目标像素的错误进行惩罚。贡献本文提出了一种新的二维框关联和以物体为中心的立体匹配网络OC stereo，该网络只估计感兴趣物体之间的差异。以解决典型深度立体匹配

2020-10-28 09:45:54 646

原创 Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Dr

Pseudo-LiDAR from Visual Depth Estimation Bridging the Gap in 3D Object Detection for Autonomous Driving用激光雷达(红色)和伪激光雷达(绿色)获得的叠加了边界框的汽车。左下角：估计的视差图。右：伪激光雷达(蓝色)vs激光雷达(黄色)。观点论述使用图像做三维目标检测，其效果差不是因为使用图像得到的深度信息不准确，而是因为使用前视图这种表示方式的问题。以往认为基于图像的3D检测精确性更低是因为深度估计

2020-10-27 20:38:52 891 2

原创 PyTorch深度学习：60分钟闪电战

使用PYTORCH进行深度学习：60分钟的闪电战本教程的目标：全面了解PyTorch的Tensor库和神经网络。训练一个小型神经网络对图像进行分类请确保您有torch和torchvision安装的软件包。什么是PYTORCH？这是一个基于Python的科学计算软件包，针对两组受众：替代NumPy以使用GPU的功能提供最大灵活性和速度的深度学习研究平台开始吧！加油！1. 张量的使用2. 梯度的传播3. 神经网络的构建4. 模...

2020-08-13 16:33:17 312

原创实时目标检测YOLO系列之YOLOv4

论文地址：https://arxiv.org/abs/2004.10934v1Abstract： 1. 基本介绍（1）介绍（2）原理（3）成就（4）创新点2. 网络结构及trick分析（1）检测流程（2）Backbone （3）Bounding Box Prediction （4）Class Prediction （5）Predictions Across Scales3. 损...

2020-08-10 20:31:00 3954

原创实时目标检测YOLO系列之YOLOv3

论文地址：https://arxiv.org/abs/1804.02767Abstract：它与SSD的变体性能相当，速度提高了 3 倍。不过，它仍比 RetinaNet 模型差一些。随着 IOU 阈值增大YOLOv3 的性能下降，使边界框与物体完美对齐的效果不那么好。过去，YOLO 不擅长检测较小的物体。但是这种情况已经改变。然而它在中等尺寸和更大尺寸的物体上的表现相对较差。当用 AP50 指标表示精确度和速度时，可以看到 YOLOv3 与其他检测系统相比具有显着的优势。也就是说，YOLOv3 更

2020-08-08 17:27:35 2412

原创实时目标检测YOLO系列之YOLOv2

论文地址：https://arxiv.org/abs/1612.08242Abstract：在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出了YOLO9000模型，其可以检测超过9000多类物体。所以，这篇文章其实包含两个模型：YOLOv2和YOLO9000，不过后者是在前者基础上提出的，两者模型主体结构是一致的。YOLO9000是通过联合优化检测和...

2020-08-07 20:39:48 494

原创实时目标检测YOLO系列之YOLOv1

yolov1论文地址：https://arxiv.org/abs/1506.026401. 基本介绍（1）出发点以往的目标检测要么有实时性，但是accuracy很低，如DPM40、DPM100；要么虽然有着较高的mAP值，但是不满足实时性要求，如RCNN系列；难以在如自动驾驶、... 等领域从事研究，yolo作者致力于推出既具有实时性又具有准确性的目标检测算法，最终发表了yolo目标检测算法，作为第一篇one stage的目标检测论文，yolo的提出具有十分重大的意义。（...

2020-08-07 16:27:43 419

weixin_45614254的博客