在第一阶段，使用所有标记的数据训练一个目标检测器(例如，Faster RCNN)直到收敛。然后使用训练过的检测器预测未标记图像的边界框和类标签(也就是生成初步的伪标签的过程)，如图所示。然后，受FixMatch设计的启发，对每个高阈值的预测框(经过NMS)进行基于置信度的滤波，获得高精度的伪标签。第二阶段对每幅未标记图像进行强数据增强，利用第一阶段生成的标记数据训练出的模型和未标记数据及其伪标签进

当然需要额外安装TensorRT由于需要在边缘计算机jetson TX2上部署神经网络，所以需要安装tensorRT实现c++调用加速后的网络进行推理。以下是安装过程。检查一下CUDA10.0在官网上下载deb包，注意这里cuda的安装如果选deb的话，tensorRT的安装就可以使用deb，如果cuda用的其他安装方式，如.run文件，则tensorRT不能使用deb安装。这里选择deb方便一点

YOLO V4出来也几天了，论文大致看了下，然后看到大量的优秀者实现了各个版本的YOLOV4了。Yolo v4 论文: https://arxiv.org/abs/2004.10934AB大神Darknet版本的源码实现: https://github.com/AlexeyAB/darknet本文针对Pytorch版本实现的YOLOV4进行分析，感谢Tianxiaomo 分享的工程：Pytorch

一个新领域研究的兴起有时要经历以下几个阶段，首先是得到该领域的一个普遍性的问题，然后将另一个已成熟的领域的一些成熟的方法和技术直接迁移到这个新领域试着解决这个普遍性的问题，接着就会发现两个领域之间的差异性使得直接迁移的方法失效，这时人们会思考这个新领域所特有的一些“本质属性”，通常该本质属性就是产生该领域普遍性问题的根本原因，同时也是使得从其他领域被直接迁移的方法失效的根本原因。在得到该本质属性后

一、Autopilot解决方案八个摄像头首先是基于单个图像使用Regnets作为backbone使用了BiFPNs特征金字塔使用了yolo作为head以多任务网络形式布置，但是主干只有一个，在尾部加入多个解码器以完成不同任务但是当存在多个摄像头的时候多个摄像头的时候要记住很重要的一点，是在向量空间去训练和标注的。值得说一句，特斯拉并不是舍弃了Lidar，Lidar被特斯拉用来矫正数据。此外也有一个

在第一阶段，使用所有标记的数据训练一个目标检测器(例如，Faster RCNN)直到收敛。然后使用训练过的检测器预测未标记图像的边界框和类标签(也就是生成初步的伪标签的过程)，如图所示。然后，受FixMatch设计的启发，对每个高阈值的预测框(经过NMS)进行基于置信度的滤波，获得高精度的伪标签。第二阶段对每幅未标记图像进行强数据增强，利用第一阶段生成的标记数据训练出的模型和未标记数据及其伪标签进

发现无论哪场面试，LSTM与GRU的细节区分被提问的概率都很高，今天简单分析一下参考资料：https://m.sohu.com/a/336551522_99979179LSTM公式为i的计算常被称为输入门，f的计算常被称为遗忘门，注意和tahn做运算的是输入门。简单说明LSTM的整个过程：1.首先输入为三个值，一个是此刻的输入值x，另一个是上一时刻的状态值c(t-1)，最后一个是上一个隐含层单元的

一.Stacking思想简介1.Stacking的思想是一种有层次的融合模型，比如我们将用不同特征训练出来的三个GBDT模型进行融合时，我们会将三个GBDT作为基层模型，在其上在训练一个次学习器（通常为线性模型LR）,用于组织利用基学习器的答案，也就是将基层模型的答案作为输入，让次学习器学习组织给基层模型的答案分配权重。2.下图是个简单的例子，A、B是学习器，C、D、E是进行答案再组织的次学习器，

参考：https://blog.csdn.net/weixin_37589575/article/details/92801610稍后整理

ORB-SLAM2部署https://github.com/raulmur/ORB_SLAM2https://blog.csdn.net/u014709760/article/details/85253525可参考上述连接进行。遇到些问题。问题一解决CMake Error$gedit ~/.bashrc在文件最后添加一行，下行路径根据自己电脑的实际路径填写，例如我的是：export ROS_PAC