ROS漫漫长路（一）——Gazebo中机器人圆柱，球，长方体惯性矩阵推导与代码实现目录ROS漫漫长路（一）——Gazebo中机器人圆柱，球，长方体惯性矩阵推导与代码实现前言一、公式推导一、代码实现示例前言ROS中，要想将urdf文件实现的机器人，放到gazebo中仿真，需要添加collision碰撞参数和inertial参数，其中collision参数大多情况下就直接和机器人的形状一致，而iner

数学建模学习笔记（二）TOPSIS法提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录数学建模学习笔记（二）TOPSIS法前言一、TOPSIS法二、问题引入1.为什么用TOPSIS法2.示例引入总结前言此系列文章主要记录在学习数学建模过程中的知识点和自己

H3DNet个人我认为，也是一篇工程性或者带有刷点性质的工作，不过其提供了一种改进直接处理点云网络的思路，就是数据的表达，会对最后的效果产生很大的影响，不像2D的工作，在3D中，由于BB的属性相对于2D而言，多了很多特征，而怎么样的表达形式，可以去更好表征BB框中的特征。如最先VoteNet提出通过内部信息的点的表达会比用表面的点，对最后生成BB框有更好的效果，和H3DNet认为face和edge

ResNest——基于Channel-Wise的Split Attention文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言ResNest的主要设计思想就是考虑两个方面。一方面想利用Inception中多分支结构带来模型学习能力的提升。另一方面想利用SENet和SKNet中提出的通道注意力思想，使网络可以在不同通道上提示：以下是本篇文章正文内容，下面案例

STM32 Cubemax(十) ——利用卡尔曼滤波处理超声波数据文章目录STM32 Cubemax(十) ——利用卡尔曼滤波处理超声波数据前言一、卡尔曼滤波1.预测方程第一个方程第二个方程2.更新方程观测矩阵第三个方程第四个方程第五个方程二、代码1.创建有关卡尔曼滤波的结构体2.初始化3.一维卡尔曼滤波函数实验结果总结前言上节我们通过中断捕获，得到了超声波返回的数据，但可以看到，由超声波模块返回

以YOLOV5为上游检测网络，Sort算法实现多目标跟踪

以YOLOV5为上游检测网络，搭建DeepSort多目标跟踪算法。本文以学习其中级联匹配为主。

系列文章目录文章目录系列文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言多目标跟踪自DeepSort后，有一段时间类似FairMoT这种统一了识别和检测的网络被研究的比较热门。不过就在去年的年底发布的ByteTrack，其则是DeepSort的上位替代，整体实现思想也是十分简单，但十分work的算法。基于作者发布的代码其实是在YOLOX的基础上魔改的，然后个人认为比较

在3D目标检测中，可以大致分为基于图像、基于点云和基于多模态融合的三种方法。而基于点云处理的3D目标检测中，如何有效处理点云数据信息是其中的重点。常见的处理点云的方法有两种，一种为将无序的点云处理成有规则的体素或者柱体（voxel or pillar）等来进行处理，被称为Voxel-Based，另一种则是直接在原始点云上进行操作的Point-Based方法。本文主要介绍如何Point-Based中

目录前言一、VOC数据集二、读取VOC数据集输出结果前言在机器学习中，肯定要用到各种各样的数据集，记录一下自己可视化Pascal VOC数据集的方法，参考资料为pytorch官方实现的方法Pytorch实现VOC数据集读取一、VOC数据集可以从这个链接去下载VOC的数据集：Pascal VOC 官网一般从网上下载下来的VOC数据集的格式如下1.其中Annotations中为记录图像和标签信息的xm