网上MMDetection的教程看似有很多，但感觉都不成系统，看完一圈下来还是不知道MMDetection要怎么用。这里还是推荐直接跟着官方教程，结合源码学习MMDetection，相关链接汇总如下：官方教程 - MMCV官方教程 - MMDetection官方教程 - 不得不知的 MMDetection 学习路线(个人经验版)西安交大课件 - mmdetection教程(使用篇)  本文会介

Image-to-Image Translation with Conditional Adversarial NetWorks　　这是加里福利亚大学在CVPR 2017上发表的一篇论文，讲的是如何用条件生成对抗网络实现图像到图像的转换任务。　　> 原文链接：https://arxiv.org/abs/1611.07004　　> 论文主页：https://phillip

NuScenes 3D目标检测数据集解析  最近在用NuScenes 3D目标检测数据集，可能由于官方提供了解析工具包nuscenes-devkit，绝大多数博客只介绍了如何使用工具包进行数据解析和可视化，对于数据解析的内部逻辑就不是很关注了。  我本来是想搜寻一下nuScenes内部如何进行坐标系转换的，但无奈大家都只点到为止，这里只好自己根据源码进行整理。本文内容基本都来自官网以及官方工具包源

KITTI官网Vision meets Robotics: The KITTI Dataset1. KITTI数据集概述1.1 传感器配置  由于彩色相机成像过程中的拜耳阵列(Bayer Pattern)插值处理过程，彩色图像分辨率较低，而且对于光照敏感性不高，所以采集车配备了两组双目相机，一组灰度的，一组彩色的。个人猜测为了增加相机的水平视场角，每个相机镜头前又各安装了一个光学镜头。传感器类型详

Abstract  虽然Transformer结构已经成为NLP领域的标准，但在计算机视觉领域的应用还非常有限。在视觉领域，注意力要么是结合卷积网络来使用，要么是用于替换卷积网络的某些组件，同时保持整体结构不变。我们将证明，在图像分类任务上，对于CNN的依赖不是必要的，直接将Transformer应用到图像块序列上也可以有非常好的性能。当ViT在大型数据集上进行预训练，并迁移到中小型图像识别数据集

  上一篇博客对MMDetection中的配置文件进行了介绍，其中提到，我们在配置文件中配置到模型、数据集、训练策略等后，通过Config类可以将配置文件中的参数信息以字典的形式进行管理，然后MMDetection框架就会对其自动进行解析，帮助我们构建整个算法流程。MMDetection使用注册机制来实现从配置参数到算法模块的构建。 本篇博客将从源码出发，对MMCV中的注册机制进行详细介绍。官方文

  上一篇博客对配置文件进行了详细介绍，本篇博客将对MMDetection中的Hook机制进行介绍。本文主要是对下面内容的总结和梳理。知乎 - 轻松掌握MMDetection整体构建流程(二)知乎 - MMCV核心组件分析(六)：Hook知乎 - 目标检测(MMDetection)-HOOK机制B站 - OpenMMLab开源工具使用教学(一)1. 什么是Hook  MMDetection对网络模

  在上一篇博客中提到，MMDetection搭建训练算法只需要3个步骤：1) 准备数据集 2) 编写配置文件 3) 执行train.py文件开始训练。但上篇博客只是很简略的介绍了一下大体流程，本文将从源码角度剖析配置文件构建机制，主要参考的是官方说明文档（不得不说网上那么多教程，最终发现最好的还是官方文档）。官方说明文档 - MMCV官方说明文档 - MMDetection知乎官方 - MMCV

　　上一篇博客《详解神经网络的前向传播和反向传播》推导了普通神经网络（多层感知器）的反向传播过程，这篇博客则讨论一下卷积神经网络中反向传播的不同之处。先简单回顾一下普通神经网络中反向传播的四个核心公式：...

这篇论文对应NuScenes纯视觉榜三方法PETR，旷视科技于2022年3月上传至arXiv。PETR是DETR3D的改进，在没有外部训练数据的情况下，性能已经优于DETR3D。