本文作者使用C++编写一套基于OpenCV的YOLO目标检测，包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现。附代码详解。

深度学习网络模型的性能和网络的大小有着密切的关系，大型网络在性能上一般比小型网络模型更好，显而易见，大型网络推理运行时消耗的算力要求比较高，而算力代表“金钱”！。本文提出DSRL框架，引入了超分辨率作为辅助支路，来帮助网络保持高分辨率特征信息，并且在推理阶段将其从网络中删除，从而降低了算力（金钱）的消耗。

作者：抛到海里编辑：3D视觉开发者社区本文将从yolov5的下载安装开始，详细介绍从环境搭建到素材整理以及最后训练出目标图片模型的整个过程。以下为本文目录：一、anconda环境搭建二、yolov5下载安装三、素材整理四、模型训练。

使用卷积神经网络（CNN）架构的深度学习（DL）现在是解决图像分类任务的标准解决方法。但是将此用于处理3D数据时，问题变得更加复杂。首先，可以使用各种结构来表示3D数据，所述结构包括：1体素网格2点云3多视图4深度图对于多视图和深度图的情况，该问题被转换为在多个图像上使用2D CNN解决。通过简单定义3D卷积核，可以将2D CNN的扩展用于3D Voxel网格。但是，对于3D点云的情况，目前还不清

在过去的十年中，深度神经网络(DNNs)在各种应用中表现出显著的性能。

作者：计算机视觉研究院编辑：3D视觉开发者社区现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。

如何利用车载环视相机采集到的多张图像实现精准的 3D 目标检测，是自动驾驶感知领域的重要课题之一。

作者：计算机视觉研究院编辑：3D视觉开发者社区今天分享的研究者提出了一种基于最先进的YOLO框架的高效、低复杂度和无锚的目标检测器，该检测器可以在边缘计算平台上实时实现。代码地址：https://github.com/LSH9832/edgeyolo。

本文对现有的基础神经网络进行研究，结合VGGNet、SSD等技术，对背景部分进行处理，从而提高复杂背景下的目标检测精度。

本文基于现有的自动驾驶中利用3D点云数据进行目标检测的文献,从数据特征提取和目标检测模型等方面对不同技术进行比较。