本文是基于图像的3D目标检测算法。作者认为基于伪点云的3D目标检测算法效果好的原因并不是伪点云这种数据表示本身，而是坐标系的转换。对于深度图，作者采用图像表示而不是伪点云的表示，之后采用2D CNN处理，成为了新的SOTA伪点云（【3D目标检测】Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud）

本文是基于单目图像的3D目标检测方法。能否借助立体图像检测算法提高单目图像检测的效果如何实现右侧图像的生成受启发于伪点云，提出了伪立体图像的概念，将图像转换成立体图像，然后应用立体图像的检测算法提出两种右侧图像生成的方法，分别是图像级别生成和特征级别生成（基于视差的动态卷积方法）提出一个观点：学习深度感知的特征有利于提高单目检测的性能，比如作者这边的深度估计以及深度损失。

本文是基于单目图像的3D目标检测方法。以往的3D目标检测方法中都会有一个子网络，通过2D目标检测产生2D候选框，然后通过2D候选框去学习3D信息或者得到伪点云送入基于点云的网络中。而这种基于2D目标检测的方法会存在一些问题，如冗余。因为3D信息+内参矩阵可以直接拿到2D信息。引入噪声。添加了2D目标检测子网络之后，整个流程就分阶段了，前一阶段会引入持续的噪声，导致后一阶段学习3D特征变得困难。而为

本文是基于图像的3D目标检测算法。就像是之前中提到的，伪点云中还是存在很多问题的（比如伪点云与真实点云的局部不对齐），但是这些问题都可以归结到深度估计的效果不好上，因此作者聚焦如何提高深度估计的效果，尤其是对远处物体的深度估计。这里红色部分就是基于视差得到的点云，相对于绿色的真实边界框存在一部分的偏移，粉红色的是作者提出的双目深度估计算法得到的点云，相比之下稍微好了点，再结合黄色的稀疏激光雷达信号

这是一篇19年的综述，介绍了目标检测领域20年来各个方面的内容，非常全面！

import torchimport numpy as npDEVICE='cuda' if torch.cuda.is_available() else 'cpu'# 初始化方法1x=torch.tensor([[1,2,7],[3,4,5]],dtype=torch.float32,device=DEVICE,requires_grad=True)# 初始化方法2input=torch.ran

文章目录一、准备二、核心点三、实现一、准备pytorch文档：https://pytorch.org/docs/stable/index.htmlYOLOv3论文精讲：https://www.bilibili.com/video/BV1Vg411V7bJYOLOv3的pytorch复现-学习视频：https://www.bilibili.com/video/BV1Hp4y1y788YOLOv3的p

碎碎念谷歌默认安装c盘了 很无奈查看安装位置chrome://version/

爬取链接中的大学以及对应的专业，存储为excel表格这是我第二次做爬虫，之前做过一次爬取豆瓣top250电影的爬虫，感兴趣的可以看链接和链接，前者是使用scrapy框架的，后者是使用request包实现的。起初我以为这个需求和之前的差不多，毕竟看着页面很简单，但是做起来发现并不是这样。，我最开始的想法是爬取这个页面，然后根据里面的这个a标签的跳转地址爬取我们真正想要爬取的信息。，遗憾的是，这是一个

本文提出了一个注意力模块，融合和空间注意力和通道注意力，轻量并且具有通用性。