强化学习 (Reinforcement Learning, RL) 是机器学习的一个分支，研究智能体如何在环境中通过试错来学习最优策略，以最大化累积奖励。MDP是一个五元组SAPRγSAPRγ符号含义SSS状态集合AAA动作集合$P(s’s, a)$RsaR(s, a)Rsa奖励函数γ\gammaγ折扣因子。

绕过 BEVPooling 自定义 autograd 函数（PyTorch 2.1 JIT bug）是自定义 ONNX op，警告可忽略。DeepStream 部署时需要注册该自定义 op。工作区（PyTorch 2.x 不支持 tracer 中的 named tensors）推理速度：约 250 it/s (单 GPU RTX 4090): 添加 sm_89 支持 (RTX 4090)参数（Py

定义：模型只能检测训练时见过的类别集合。训练类别集合: C_train = {person, car, dog, cat, ...} (固定80类)测试时: 只能输出 C_train 中的类别如果输入一张包含 "elephant" 的图，但训练集没有 elephant → 无法检测数学表示模型 f: Image → { (box_i, class_i, score_i) }其中 class_i ∈

目标检测是计算机视觉的核心任务，旨在从图像中识别并定位感兴趣的目标，输出目标的类别和边界框位置。输入: RGB图像 I ∈ R^{H×W×3}输出: 检测结果集合 {(class_i, bbox_i, score_i)}其中:- class_i: 目标类别- bbox_i: 边界框 [x1, y1, x2, y2]- score_i: 置信度分数。

优化（optimization） 是在给定约束下，寻找使目标函数达到最小（或最大）值的决策变量。一般形式：min⁡x∈Xf(x)\min_{x \in \mathcal{X}} f(x)x∈Xmin​f(x)其中：如果 X=Rn\mathcal{X} = \mathbb{R}^nX=Rn（无约束），则为无约束优化；否则为约束优化。优化是现代科学和工程的核心工具：本文从优化的基本理论出发，逐步构建出

超分辨率（Super-Resolution, SR）是从低分辨率（Low-Resolution, LR）图像重建高分辨率（High-Resolution, HR）图像的逆问题。超分辨率重建LR 输入 (64×64) HR 输出 (256×256)│ │ │ ││ 模糊的 │ SR │ 清晰的 ││ 低分辨率 │ ──────► │ 高分辨率 ││ 图像 │ 算法 │ 图像 ││ │ │ ││ │放

ROS2 使用colconcolcon是 ROS2 官方推荐的构建工具，用于替代 ROS1 中的或。它可以方便地在工作空间中编译多个软件包，并自动处理依赖关系。

雷达的ip：192.168.1.1xx（xx为雷达上二维码下面一串数字的后两位）运行livox_lidar_quick_start.exe [config file]修改"host_ip": "192.168.1.50",没设置之前：要不ping不通雷达，要不主机不可达。编辑->虚拟网络编辑器->更改设置->选择“是”Windows 10 下运行（未尝试过，参考官方仓库）ubuntu22.04（x

对抗样本 (Adversarial Examples):定义: 对原始输入添加微小的扰动，导致模型产生错误输出│ ││ 原始图像 扰动 (放大) 对抗样本 ││ │ 熊猫 │ + │ 噪声图 │ = │ 长臂猿 │ ││ ││ 人眼: 看不出区别 人眼: 看不出区别 模型: 完全错误 ││ │关键特性:1. 扰动小: 人眼几乎无法察觉2. 效果强: 模型产生完全错误的预测3. 普遍性: 同一对抗样

模型压缩的动机:现代深度学习模型越来越大的趋势:│ 模型规模增长 ││ 模型 │ 参数量 │ 推理需求 ││ GPT-3 │ 175B │ 314 TFLOPs, ~秒级 │问题:1. 推理延迟: 大模型推理慢，无法满足实时需求2. 内存占用: 大模型需要大量显存/内存3. 部署成本: 需要昂贵的 GPU 集群4. 能耗: 大模型推理功耗高5. 边缘部署: 移动设备、嵌入式设备资源有限模型压缩的目