可以看到，代码上的修改并不大，相对于Conditional DETR主要是Cross Attention的过程中加入了长宽对Position Similarity的影响，并在Cross Attention的输出中对Anchor Box的四个参数进行显示的修正。DAB DETR是在Conditional DETR的基础上进行改进的，因此上文在Conditional DETR中介绍的Content Q

深度学习框架YOLOv3的C++调用深度学习框架YOLOv3的C++调用（1）tensorflow版本的YOLOv3的C++调用（失败）（2）darknet版本的YOLOv3的C++调用一（失败）（3）darknet版本的YOLOv3的C++调用二（成功）深度学习框架YOLOv3的C++调用因为项目需要，我需要用C++调用YOLOv3来进行物体检测，本文记录了我尝试的几种调用方法，可能都有些旁..

在介绍最终的方法前，论文中首先提到了一种使用Objectness Score的方法，Objectness Score指的是在Backbone的Feature上直接接一个和最终检测头相同的结构的检测头，并同样使用匈牙利计算损失，这个检测头输出的前。

高精地图广泛应用于自动驾驶领域，传统的高精地图构建和使用算法通常是基于SLAM实现的，但是最近两年出现了很多基于深度学习的方法，例如HDMapNet、VectorMapNet和MapTR就介绍了如何通过NN直接利用感知信息构建矢量化的高精地图，而VectorNet介绍了如何使用NN直接对矢量化的高精地图信息进行编码，从而能高效地作为一路输入被系统所利用。下面HDMapNet为2021年发表的文章，

在介绍最终的方法前，论文中首先提到了一种使用Objectness Score的方法，Objectness Score指的是在Backbone的Feature上直接接一个和最终检测头相同的结构的检测头，并同样使用匈牙利计算损失，这个检测头输出的前。

SVO中关键知识点总结SVO中关键知识点总结1. SVO的优缺点是什么？SVO中关键知识点总结SVO是我接触的第一个视觉SLAM框架（按照高博的说法，这个是VO，算不上SLAM），当时和几个小伙伴一起读了源码相互交流下，但是当时没有及时总结，又忘得差不多了，这段时间正在复习，就借此机会一起总结下，复习的时候参看了几位SLAM大佬的笔记，觉得数学这个东西挖深了搞明白了真的很有意思，搞得我甚至有点..

特征子综述首先需要明确的一个概念是特征描述子是由关键点(keypoints)+特征描述子(feature)两部分构成，下面所介绍的算法中，一部分是同时介绍了关键点和特征描述子的算法，比如SIFT，另一部分是更加强调关键点或者特征描述子的提取算法，比如Harris。第一部分：2D特征子1. Harris性质算法的核心是利用局部窗口在图像上进行移动判断灰度发生较大的变化，其性质主要是（1）...

学习MSCKF笔记——误差状态卡尔曼滤波学习MSCKF笔记——误差状态卡尔曼滤波1.学习MSCKF笔记——误差状态卡尔曼滤波1.

深度学习笔记整理说明基本知识点一：模型的设置（基本）1. 激活函数的设置2. 损失函数的设置(1) 分类问题(2) 属性问题(3) 回归问题3. 正则化方式的设置(1) 损失函数添加正则化项(2) 最大范式约束(3) 随机失活4. 参数更新方式(1) 梯度下降的更新方式(2) 学习率的更新方式基本知识点二：模型的训练（基本）1. 训练之前(1) 数据预处理说明本文主要是笔者在学习CS231n课..

MVG总结——基础矩阵、本质矩阵和单应矩阵的求解过程MVG总结——基础矩阵、本质矩阵和单应矩阵的求解过程（1）说明——其实求解过程大同小异（2）基础矩阵求解过程（3）本质矩阵求解过程（4）单应矩阵求解过程MVG总结——基础矩阵、本质矩阵和单应矩阵的求解过程在《视觉SLAM十四讲》中，仅仅给出了基础矩阵、本质矩阵和单应矩阵的推导过程，并没有详细给出其求解过程，再看过《计算机视觉中的多视图几何》之..