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

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 (一) 层次分析法提示：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 (一) 层次分析法前言一、层次分析法二、问题引入1.评价类问题2.评价类问题解决方法3.实例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的

记录日常的Python（一）——os.walk遍历对文件夹中的所有图片进行访问文章目录记录日常的Python（一）——os.walk遍历对文件夹中的所有图片进行访问前言一、文件夹结构一、利用os.walk对文件夹进行遍历前言此系列记录一下平常会用python处理的一些小问题一、文件夹结构我们先来看看，原来的文件夹的结构和有的东西。我们要遍历的就是hymenoptera_data这个文件夹此文件夹由

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

Pytorch机器学习（七）——图像增广之仿射变换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YOLOV5的图像增强技术中有十分多可以学习的地方，这里记录一下其中的仿射变换。一、平移变换平移变换矩阵如下代码如下T = np.eye(3)# 这里注意一下，图像的左上角是0，0，a为正表示向左，负为右，b为正表示向下，负为上T[0, 2] = random

STM32称重传感器+HX711的使用——HAL库文章目录STM32称重传感器+HX711的使用——HAL库前言一、接线二、CubeMax配置三、代码编写注意点前言因为在一个项目中使用到了称重传感器，在此记录一下其使用方法还有一些需要注意的地方。首先介绍一下使用的传感器HX711——一款专用于电子秤的A/D转换芯片称重传感器（使用的这一款量程200KG）一、接线买到传感器后，可以看到后面尾巴引出了

保持空间与语义信息的backbone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.读入数据总结前言虽然说这是一个图像分类的合集博客，但其实都是在介绍一些backbone网络。这次介绍的是HRNet，虽然说这个网络最初设计是做为关键点检测使用的，但其优秀保留空间信息的同时拥有高语义的特点，使其做为提取特征的backbone，也有很多优点。提示：以下是本篇文章正文内容，下面

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

Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，GIOU,CIOU）目录Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，GIOU,CIOU）前言一、l2范数损失二、IOU损失二、GIOU损失三、CIOU损失总结前言目标检测领域，从发展到现在这个阶段，出现过很多次有关预测框损失函数的讨论与更新，从l2范数损失，到IOU损失，GIOU损失，DIOU损失等等，今天