本文主要探索 开源网络剪枝（结构化剪枝与稀疏化置零）技术在地平线 征程 5 上的可行性和有效性，涉及到的压缩方案，均不考虑硬件加速特性。 01 实验结果先解读 ## 表中涉及到结构化剪枝两种（ABCPruner_2020、HRankPlus_2020）、结构化稀疏两种（CHEX_2022、1XN_2022），从实验数据可以看出： 在分类任务中，在不使用数据增强、蒸馏、嫁接等主流且有效提升精度

如何有效地使用IPC-F来实现Acore和Rcore之间的高效数据传输

环视4V解串器直接接到main域，mcu访问main域i2c、gpio、lpwm，对camera sensor、serdes以及lpwm进行初始化，完成环视的快速出图。

针对只使用过 Pytorch 在服务器上训练过一些分类、检测模型，没接触过 QAT 的小白，又不想读 PyTorch 官方文档，只想简单入个门，怎么办嘞？欢迎看看这篇文章

Occupancy可以更好的克服感知任务中存在的长尾问题，以及更加准确表达物体的几何形状信息

这个章节主要介绍了模型推理相关的API、数据、结构体、排布及对齐规则等

本文将介绍地平线基于公版的双目深度估计算法StereoNet做的优化设计。

在本文中，我们采用模仿学习来执行从 RGB 图像到路径规划的端到端规划，模仿人类驾驶轨迹。我们提出的端到端方法利用目标查询编码器来融合图像和目标特征，并使用基于 Transformer 的解码器自回归预测未来的航点。

在自动驾驶视觉感知系统中，为了获得环绕车辆范围的感知结果，通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。

骨架（或中轴线）具有在二进制形状和自然图像中提供紧凑而有意义的对象表示的潜力（以下简称为“形状”和“图像”），适用于图像表示和各种多媒体应用。在实践中，对象骨架通常以图形格式编码，即“骨架图”，以便于骨架修剪、匹配、分类和分析任务。