一、Frenet坐标系简介二、Frenet坐标系与全局坐标系的转换可以基于Frenet坐标系，报据自动驾驶车辆的始末状态，利用五次多项式建立自动驾驶车辆轨迹规划模型，并建立各个场景下的轨迹质量评估函数。三、深入学习《硕士论文-基于Frenet坐标系采样的自动驾驶轨迹规划算法研究》《Optimal Trajectory Generation for Dynami...

概念：画板，画布画板位于最底层，用于放置画布它只是辅助工具，并不需要我们实际操作；画布位于画板之上，是我们绘图的基础；绘图区是画布上用于绘图的区域，一块画布上可以开辟出多个独立的绘图区。对于一个图形的绘制，在PyQtGraph中有很多中方法可以实现。比如可以直接使用PyQtGraph的plot()方法绘制，或者是创建一个网格窗口，再其中添加绘制图形等。下面我们就一一了解一...

Backbone—— Neck —— Head1.Backbone：翻译为骨干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的

一篇文章彻底了解 可迭代对象（Iterable）、序列（Sequence）、迭代器（Iterator）、生成器（generator）。阅读本文不知道需要几分钟，但你真的能彻底弄懂这几个概念可迭代对象（Iterable）网上看了很多关于这几个概念的解释，看得很晕，最后还是直接看官方文档，最靠谱。这里也将直接用官方文档中的定义来说话。关于 Iterable，文档是这样定义的：...

Deformable Attention（可变形注意力）首先在2020年10月初商汤研究院的《Deformable DETR: Deformable Transformers for End-to-End Object Detection》论文中提出，在2022CVPR中《Vision Transformer with Deformable Attention》提出应用了Deformable At

特征选择是模式识别和机器学习领域的重要研究课题之一。为了提高准确率, 人们往往最大限度地提取特征信息。然而, 过大的特征向量维数不仅导致计算成本的增加, 复杂运算也随之带来分类识别率的下降。因此, 通过合适的特征选择算法, 去除无关特征和冗余特征, 获得有助于分类的最优特征子集, 对提高识别性能和降低计算成本具有重要意义。特征选择主要有两个功能：减少特征数量、降维，使模型泛化能力更强，减少过拟合增

该博客基于以下项目的开源代码进行分析：Simple Pose: Rethinking and Improving a Bottom-up Approach for Multi-Person Pose Estimation”, accepted by AAAI-2020.Github代码地址：代码参考：知乎《一个 Pytorch 训练实践 （分布式训练 + 半精度/混合精度训练）》《Pytorch

Backbone—— Neck —— Head1.Backbone：翻译为骨干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的

本文主要讲深度学习中的数据预处理方法，主要参考NG的UFLDL教程以及其他一些博客和论文进行总结，UFLDL数据预处理教程链接为http://deeplearning.stanford.edu/wiki/index.php/数据预处理数据预处理在众多深度学习算法中都起着重要作用，通常所讲的预处理包括数据归一化和白化。以下分别对数据归一化和白化进行说明。数据归一化。数据归一化

librosa是一个非常强大的python语音信号处理的第三方库，本文参考的是librosa的官方文档，本文主要总结了一些重要，对我来说非常常用的功能。学会librosa后再也不用用python去实现那些复杂的算法了，只需要一句语句就能轻松实现。参考：《librosa语音信号处理》代码《Added function for mel band frequencies in utils.py》《论文笔