摘要本文提出了一种称为Hierarchical-Split块的表征块，它可以作为一种即插即用的块对现有卷积神经网络进行升级，显著提高了网络中的模型性能。层次分割块包含许多层次分割和连接连接在一个单一的残留块。我们发现多尺度特征对于众多的视觉任务是非常重要的。如图1所示，是准确率和延时之间的比较。圆的大小表示参数量。橙色表示不同的提升策略，绿色表示用不同的注意力机制。红色是我们设计的，蓝色是大的Re

之前读过这篇论文，导师说要复现，这里记录一下。废话不多说，再重读一下论文。注：非一字一句翻译。个人理解，略有偏颇。基于深度强化学习的车道检测和定位官方源码下载：https://github.com/tuzixini/DQLL论文原文：https://www.sciencedirect.com/science/article/pii/S0925231220310833摘要基于深度学习的车道检测方法只

原文链接：https://xingangpan.github.io/projects/CULane.html描述CULane是一个大规模的具有挑战性的数据集，用于行车道检测的学术研究。 它是由安装在六辆由北京不同驾驶员驾驶的不同车辆上的摄像机收集的。 收集了超过55小时的视频，并提取了133,235帧。 数据示例如上所示。 我们将数据集分为88880个训练集，9675个验证集和34680个测试集。

之前读过这篇论文，导师说要复现，这里记录一下。废话不多说，再重读一下论文。注：非一字一句翻译。个人理解，略有偏颇。基于深度强化学习的车道检测和定位官方源码下载：https://github.com/tuzixini/DQLL论文原文：https://www.sciencedirect.com/science/article/pii/S0925231220310833摘要基于深度学习的车道检测方法只

欢迎来到强化学习系列的第3部分以及Q学习部分的第3部分。到目前为止，我们已经成功地制作了一个Q-learning算法来导航OpenAI山地车环境。现在的问题是，我们有很多需要调优的参数。能够打败游戏是一回事，但我们可能想要更快地打败它，甚至尝试探索更快地学习的方法。为了做到这一点，我们需要开始弄清楚我们到底在做什么。首先，我们可以从程序中跟踪一些非常基本的度量标准。我们的启动脚本:# object

写在前面本文转自https://pythonprogramming.net/introduction-self-driving-autonomous-cars-carla-python/，经作者简单翻译得到，仅用于本人学习记录，如有不妥，纯属本人理解错误，不负任何责任；如有侵权，请联系本人，立马删除！本文末尾附上文中提到的链接。正文大家好，欢迎收看关于Carla的系列教程，Carla是一个开源的自

欢迎来到自动驾驶汽车/自动驾驶汽车的第6部分，以及使用Carla、Python和TensorFlow增强学习。在这一部分中，我们将讨论我们工作的一些初步发现。我将使用“我们”这个短语，因为这是我和Daniel Kukiela共同努力的结果。一开始，问题刻意保持简单。代理可以采取三种行动中的一种:左转，右转，直走。我选择了Xception模型，因为我发现这个模型很成功，并且在GTA做自动驾驶汽车。对