![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文献阅读
文章平均质量分 96
袁博特
这个作者很懒,什么都没留下…
展开
-
20230525——文献阅读《利用毫米波雷达和视觉传感器进行障碍物检测的空间注意力融合方法研究》(SAF-FCOS)
one-stage目标检测算法(也称one-shot object detectors),其特点是一步到位,速度相对较快。另外一类目标检测算法是two-stage的,如Faster R-CNN算法先生成候选框(region proposals,可能包含物体的区域),然后再对每个候选框进行分类(也会修正位置)。这类算法相对就慢,因为它需要多次运行检测和分类流程。而one-stage检测方法,仅仅需要送入网络一次就可以预测出所有的边界框,因而速度较快,非常适合移动端。翻译 2023-06-01 14:50:31 · 1358 阅读 · 0 评论 -
20230507——文献阅读《中心融合:基于中心的雷达和相机融合的三维目标检测》
前融合(early fusion):下图(a),直接融合原始的或经过一定前处理的传感器数据。前融合的优点——充分利用了原始数据中的信息量、同时处理多个传感器可以降低整体运算和内存消耗。缺点是——对传感器数据的对齐(空间和时间上对齐)敏感、模型的灵活性下降;后融合(late fusion):下图(b),对每一个模态的检测/识别结果进行融合。后融合的优点——高度灵活和模块化,引入一个新的模态不会对原有网络产生影响。缺点是——高运算和内存消耗,并且丢失了大量对于模态融合有益的中间信息;翻译 2023-05-09 09:03:45 · 456 阅读 · 0 评论 -
20230328——文献阅读《城市环境中空地协同建图》
按照 Davide Scaramuzza 的分类方法,首先分成 filter-based(基于滤波)和 optimization-based(基于优化)的两个大类,这也和一般 SLAM 系统的分类方法类似。按照是否把图像特征信息加入状态向量来进行分类,可以分为松耦合 (loosely-coupled) 和紧耦合 (tightly-coupled)。这是两种独立的分类方法,首先看是基于滤波还是优化的,然后进一步根据状态向量中是否加入了图像的特征信息来判断松紧耦合。翻译 2023-04-01 15:02:45 · 960 阅读 · 3 评论 -
20230323——文献阅读《只需要注意力就够了》
在《机器学习》一书中,第五章第7节(第114页)中提到——“我们可以从另一个角度来理解深度学习。无论是 DBN 还是 CNN,其多隐层堆叠、每层对上一层的输出进行处理的机制,而可看作是在对输入信号进行逐层加工,从而把初始的、与输出目标之间联系不太密切的输入表示,转化成与输出目标联系更密切的表示,使得原来仅基于最后一层输出映射难以完成的任务成为可能。换言之,通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可可完成复杂的分类等学习任务。翻译 2023-03-23 22:56:15 · 1028 阅读 · 0 评论 -
20230319文献阅读——《OPV2V:一个用于车与车通信感知的开放基准数据集和融合管道》
IoU也叫交并比,通常是指目标检测中某一帧的检测框与ground-truth的交集除以并集。深度学习中的IoU概念理解pipeline,原意为管线,在深度学习中可以理解为流水线,或者翻译成框架。深度学习的pipeline就是模型实现步骤的总称。深度学习现在的pipeline一般都比较强调模型的组件构成流程。深度学习pipeline和baseline是什么意思?backbone翻译为主干网络,通常情况下是指特征提取部分的网络。深度学习网络中backbone是什么意思?翻译 2023-03-19 15:47:08 · 1114 阅读 · 1 评论 -
20230316文献阅读——《车联网环境下自动驾驶的协同感知技术综述》
本节在已有文献的基础上,从协同感知信息融合方法的角度总结了IoV环境下自主驾驶协同感知技术的研究现状,重点总结了图像融合、点云融合、像点云融合方法。通过对比,我们发现多模态和多视角视角下的图像点云融合是协同感知的最佳方法(如表3所示)。与单车多传感器融合相比,协同感知信息融合在感知范围、精度和可靠性方面具有更多的优势。对比不同阶段的信息融合,将处理后的数据进行融合和共享,不仅可以减少数据传输量,而且可以显著降低网络通信负荷。翻译 2023-03-17 10:51:30 · 1197 阅读 · 0 评论