文章目录1、机器学习基本概念介绍1、机器学习基本概念介绍机器学习的任务：回归、分类、结构化学习过程：设计一个带未知有参数的函数(运用领域知识)、设计损失函数、参数优化

KITTI数据集很大，包括了很多任务，使用的训练样本7481个，测试样本7518个OpenPCDet——环境配置和训练测试（升级系统、Nvidia驱动、cuda11.3、cudnn8.2）【KITTI】KITTI数据集简介（一） — 激光雷达数据。

问题与解决容器启动后添加端口映射一般添加端口自映射需要在生成容器的时候用-p指定映射规则，但如果当时忘记指定了或者后期需要新的映射规则，就需要这一步了将现有的容器打包成镜像，然后在使用新的镜像运行容器时重新指定要映射的端口，比较暴力直接修改当前容器的配置文件首先是在hostconfig.json中添加如下：然后在config.v2.json中添加如下两处:

目录1、论文原文2、论文思想概述改进1、论文原文链接，提取码：pema2、论文思想概述YOLOv3是单阶段目标检测算法YOLO的第三个版本，广泛用于工业界，它改进了骨干网络、正负样本选取和损失函数，并引入了FPN特征金字塔多尺度预测，显著提升了速度和精度。改进骨干网络：DarkNet53，就是YOLO v2中的DarkNet19+Resnet。darknet53是52个卷积层+1个全连接层，但是在

这是一篇21年的综述，介绍了3D目标检测背景、传感器以及基于传感器的算法分类及其特点。

两台相机一左一右对统一目标进行拍摄（相机的高度相同），得到两张图像，这两张图像只有左右偏移，我们可以根据这个偏移得到深度信息（目标距离相机的远近）。那么关键就变成了找到两张图片中的匹配关系，只要有了匹配关系就能得到视差，基于视差就能用上面的公式计算深度了。采用上面的算法得到视差图，使用视差图得到深度图，基于深度图转换成点云。背后的原理是：距离越远，左右偏移越大，距离越近，左右偏移越小。下面是某一个

本文将我所学习过的3D目标检测论文按照自己的理解进行分类，并介绍每篇论文研究的问题与采用的方法，格式如下：【年份】【模型简写】【论文名称】【笔记链接】问题1问题2方法1方法2。

这是一篇22年的综述，介绍了3D目标检测中基于图像的检测算法。（论文中说本文是第一篇基于图像的3D目标检测算法综述！）

问题如题解决这里的路径格式有问题，我们往上翻就能发现，这个路径诡异得很我们直接手动设置一下这个路径就好了然后就可以了

https://www.cnblogs.com/zgqcn/p/14015832.html