1， DenseNet1.1 ， DenseNet如何改变网络的宽度DenseNet网络增加网络的宽度，主要是通过用其他通道的信息补偿，从而增加网络的宽。DenseNet网络通过各层之间进行concat，可以在输入层保持非常小的通道数的配置下，实现高性能的网络。先列下DenseNet的几个优点，感受下它的强大：1、减轻了vanishing-gradient（梯度消失）2、加强了feature的传递

一、诊断1.1 交叉验证Prophet 包括时间序列交叉验证功能，可使用历史数据测量预测误差。这是通过选择历史中的截止点来完成的，并且对于每个截止点，只使用直到该截止点的数据来拟合模型。然后，我们可以将预测值与实际值进行比较。该图说明了对 Peyton Manning 数据集的模拟历史预测，其中该模型适合 5 年的初始历史，并且预测是在一年的范围内进行的。注：这里需要解释下horizon，init

这是Livox提供的手动校准Livox雷达和相机之间外参的方法，并在Mid-40，Horizon和Tele-15上进行了验证。其中包含了计算相机内参，获得标定数据，优化计算外参和雷达相机融合应用相关的代码。本方案中使用了标定板角点作为标定目标物，由于Livox雷达非重复性扫描的特点，点云的密度较大，比较易于找到雷达点云中角点的准确位置。相机雷达的标定和融合也可以得到不错的结果。

一、SLAM技术回顾SLAM，即时定位与制图，包含3个关键词：实时、定位、制图，就是实时完成定位和制图的任务，这就是SLAM要解决的基本任务。按照使用的传感器分为激光SLAM（LOAM、V-LOAM、cartographer）与视觉SLAM，视觉SLAM,视觉SLAM的主要分支如下图所示：...

1，概述YOLOv4模型由以下部分组成：CSPDarknet53作为骨干网络BackBone；SPP作为Neck的附加模块，PANet作为Neck的特征融合模块；YOLOv3作为Head。yolov3的结构如如下：

一，什么是视觉里程计SLAM系统分为前端和后端，前端也称为是视觉里程计，主要功能是根据相邻图像的信息粗略的估计出相机的运动，为后端提供较好的初始值。视觉里程计的算法有两大类特征点法和直接法。特征点法是常用方法，它具有稳定，对光照、动态物体不敏感的优势。视觉里程计的原理就是提取图像的特征点，通过匹配估计两帧之间相机运动和场景结构，实现一个两帧间的视觉里程计。其核心问题就是如何通过图像估计相机的运动。

1，常规卷积操作对于一张5×5像素、三通道彩色输入图片（shape为5×5×3）。经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4），最终输出4个Feature Map，如果有same padding则尺寸与输入层相同（5×5），如果没有则为尺寸变为3×3。Depthwise Separable Convolution是将一个完整的卷积运算分解为两步进行，即Dept

1，Windows下虚拟机的安装方法详情可以参考以下博文的链接：小白菜Windows10系统安装Linux（ubuntu）虚拟机超详细教程（全） - HUGBOY - 博客园1.1 安装虚拟机后遇到的问题1，问题1–Ubuntu出现： Please remove the installation medium then reboot：解决方法：然后再次进入即可解决此问题。2，遇到的问题，安装完成后

一，在虚拟机环境上搭建环境官方提供了纯C++和ROS节点两种形式的SDK，ROS版SDK中已经包含了C++的SDK(版本稍晚)，不需要单独下载C++版本的SDK。这里我们主要使用ROS来测试，从官网的github克隆仓库到我们的ROS工作空间的src下，然后编译工作空间：$ cd ~/catkin_ws/src$ git clone https://github.com/robopeak/rpli

1，Windows下虚拟机的安装方法详情可以参考以下博文的链接：小白菜Windows10系统安装Linux（ubuntu）虚拟机超详细教程（全） - HUGBOY - 博客园1.1 安装虚拟机后遇到的问题1，问题1–Ubuntu出现： Please remove the installation medium then reboot：解决方法：然后再次进入即可解决此问题。2，遇到的问题，安装完成后