文章目录在普通 的 fully connect layers在 cnn 中计算的例子最后的参数参考：本视频 内容：cnn 里面 的 可学习参数是啥如何 计算 cnn 里面 的可学习 参数 的个数计算 的示范在普通 的 fully connect layersweights 的计算方式如下：在 cnn 中首先：filterl == kernel把三个 部分 的 参数 加起来吧，就行了计算的例子第一个

看这篇论文look deeper into depth: monocular depth estimation with semantic booster and attention-driven loss的时候，碰到个用联合的老哥： jianbo jiao当时，第一遍 读文章 的概要的阅读笔记，请看 这里摘要，从前人的工作 overview 一下jianbo 联合 了 语义 和深度。其实有 一些

在容器中启动 jupyter notebook 的时候，请指定 ip 为 0.0.0.0aka:原因docker启动的时候，我们的命令是 -p 8888：8888比如：sudo nvidia-docker run -it -p 8888:8888 --ipc=host -v /home/paul/code:/code --name paul-notebookmy_tf:2.0此时 使用 docke

看这篇论文look deeper into depth: monocular depth estimation with semantic booster and attention-driven loss的时候，碰到个用联合的老哥： jianbo jiao当时，第一遍 读文章 的概要的阅读笔记，请看 这里摘要，从前人的工作 overview 一下jianbo 联合 了 语义 和深度。其实有 一些

在容器中启动 jupyter notebook 的时候，请指定 ip 为 0.0.0.0aka:原因docker启动的时候，我们的命令是 -p 8888：8888比如：sudo nvidia-docker run -it -p 8888:8888 --ipc=host -v /home/paul/code:/code --name paul-notebookmy_tf:2.0此时 使用 docke

2017 年的CVPRfrom youtubeLink是啥东西然后我们的工作能： 给出 一个 深度 图like this：为啥 depth 有用导航，机器人拿东西，虚拟现实，桌子有多远，多大为啥用 monocular：单目相机？贫穷和普适monocular 能行吗？既然 探测器 和 海盗头子 都能 ，我们也能以前的方法ground truth 值很难获得kitti 数据集 本身 也有误差或者说 遗

文章目录在普通 的 fully connect layers在 cnn 中计算的例子最后的参数参考：本视频 内容：cnn 里面 的 可学习参数是啥如何 计算 cnn 里面 的可学习 参数 的个数计算 的示范在普通 的 fully connect layersweights 的计算方式如下：在 cnn 中首先：filterl == kernel把三个 部分 的 参数 加起来吧，就行了计算的例子第一个

在容器中启动 jupyter notebook 的时候，请指定 ip 为 0.0.0.0aka:原因docker启动的时候，我们的命令是 -p 8888：8888比如：sudo nvidia-docker run -it -p 8888:8888 --ipc=host -v /home/paul/code:/code --name paul-notebookmy_tf:2.0此时 使用 docke

可见，使用了上采样什么是 上采样：放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是：放大原图像,从而可以显示在更高分辨率的显示设备上 ;; (from)结论upconv 是让被 conv 的 feature map 变得大一些...

希腊字母表希腊字母小写、大写LaTeX形式αα A\alpha Aββ B\beta Bγγ ΓΓ\gamma \Gammaδδ ΔΔ\delta \ Deltaϵϵ εε E\epsilon \varepsilon Eζζ Z\zeta Zηη H\eta Hθθ ϑϑ ΘΘ\theta \vartheta \Thetaιι I\iotaκκ K\kappa Kλλ ΛΛ\lambda \Lam