计算过程如上图所示，值的注意的是空间注意力机制的使用，先是对每个通道取均值得到特征图每个像素位置上的重要性，再将其加到原输入特征图上，增强每个位置的特征值，再通过卷积输出通道为N个的注意力权重，使得输出的权重能衡量每个尺度特征图的重要性。中的主要创新是自适应多尺度特征融合(Adapptive Scale Fusion，ASF)模块的提出。来实现，这样做并没有考虑不同尺度特征图的重要性是不一样的。图

文章目录1 针孔相机模型2.双目相机模型3.立体校正(共面行对准、极线校正)3.1极线约束3.2Bouguet算法3.3OpenCV API 介绍4. 立体匹配与视差图5.深度图5.1 基础介绍5.2OpenCV API6.双目测距精度分析7.总结1 针孔相机模型如基本相机模型及参数中介绍的，首先回忆一下针孔相机模型，如上图，空间中的一点到图像平面的变换为：ZM[xmym1]=[f000f0001

一、安裝google輸入法sudo apt-get install fcitx fcitx-googlepinyin fcitx-table-wbpy fcitx-pinyin fcitx-sunpinyin安裝完成后在System Setting中找到Language Support 选项，选择使用fcitx重启电脑，在System Setting 中找到 Text Entry选项，点击进入，之

元学习算法MAML简介1.元学习(meta learning)2.模型无关元学习2.1 元学习问题建模2.2 MAML算法3.将MAML应用到回归分类任务上的算法流程参考资料论文： Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks Chelsea代码： https://github.com/cbfinn/mamlIC

KITTI是德国卡尔斯鲁厄科技学院和丰田芝加哥研究院开源的数据集,最早发布于2012年03月20号。对应的论文发表在CVPR2012上。KITTI数据集搜集自德国卡尔斯鲁厄市，包括市区/郊区/高速公路等交通场景。采集于2011年09月号及10月03号的白天。KITTI数据采集使用的平台如下图，上面平台中包括从上图中可以看到IMU/GPS总结，KITTI数据集是由4个相机，1个激光雷达，1个IMU/

是澳洲阿德莱德大学的Zhi Tian等最早于2019年04月提交的工作成果，发表在ICCV上。FCOS是全卷积实现的的一阶目标检测器，避免了训练过程中Anchor相关的计算，减少的训练时的计算量和内存占用，移除了anchor相关的一系列超参数。检测性能对anchor的size//数量比较敏感。实际对象的检测框大小分布较广泛，anchor不一定能覆盖为了得到高召回率，的方法返回了非常多的anchor

四）旋转物体检测数据roLabelImg转DOTA格式。

欢迎访问个人网络日志🌹🌹知行空间🌹🌹在迭代最近点算法ICP及SVD求解中介绍了问题及使用分解求解的方法。除了，还可以使用非线性优化的方法来求解。还记得，优化的目标函数为：min⁡R,t12∑in∣∣pi−(Rqi+t)∣∣22\min\limits_{R,t}\frac{1}{2}\sum\limits_{i}^n||p_i-(Rq_i+t)||_2^2R,tmin​21​i∑n​∣∣pi

2021年07月份，旷视的Zheng Ze与提交的论文中提出的检测算法。主要工作聚焦在和。作者使用YOLOX获得了2021年CVPR Autonomous Driving领域的第一名BaseDet。之前YOLO系列的论文自YoloV1后都是的，但自那之后如等的算法不断进步，YoloX的作者再次尝试将的算法技巧应用到Yolo算法上。作者认为属于优化过度的算法，因此其提出的YoloX算法主要与Yolo

逻辑回归与线性回归都属于广义线性回归模型,其区别与联系从以下几个方面比较：分类与回归:回归模型就是预测一个连续变量(如降水量，价格等)。在分类问题中，预测属于某类的概率，可以看成回归问题。这可以说是使用回归算法的分类方法。输出:直接使用线性回归的输出作为概率是有问题的，因为其值有可能小于0或者大于1,这是不符合实际情况的，逻辑回归的输出正是[0,1]区间。见下图，参数估计方法：线性回...