1. 问题如下图所示：2. 损失为nan的原因1. 学习率过大，导致当然还有其他原因，目前可以参考警惕！损失Loss为Nan或者超级大的原因3. 解决方式降低学习率...

两种方式—Linux命令行和conda虚拟环境利用Linux命令安装下载指定版本的opencvopencv4.1.2或者官网下载。首先找到通常放置用户软件的地方/usr/local/可使用命令：wget https://github.com/opencv/opencv/archive/4.1.2.zip解压文件unzip opencv-4.1.2.zip编译挤压后，进入op...

主要从技术变更历史、发展路线、数据集、数据融合的方式、当前知名的实验室以及大牛，其中的侧重点等方面介绍。当作是文献阅读的一种记录。有不足之处还请指出。

cuda+cudnn安装cuda10.1+cudnn确认cuda版本下载cuda10.1和其对应的cudnn-v7.6.5安装cuda10.1验证安装cudnn-v7.6.5将cuda加入系统环境cuda10.1+cudnn首先根据Nvidia驱动版本确认cuda版本，之后再分别安装和验证cuda和cudnn确认cuda版本在控制面板中搜索NVIDIA，双击进入nvidia控制面板。点击帮助-&g

Linux安装nvidia440.64+cuda9.2+cudnn7.6nvidia440.64安装下载nvidia版本cuda9.2下载cuda9.2安装下载后，命令行中切换到下载的位置，利用上述命令安装cd /home/xxx/Downloads/sudo sh cuda_9.2.148_396.37_linux.run出现说明之后，按Ctrl + C键跳过，接受之后...

主要从技术变更历史、发展路线、数据集、数据融合的方式、当前知名的实验室以及大牛，其中的侧重点等方面介绍。当作是文献阅读的一种记录。有不足之处还请指出。

CloCs论文: <<CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection>>Abstract文章提出了一种新颖的Camera-LiDAR 目标候选框融合的网络。CLOCs融合提供了一种低复杂度、多模态融合框架，该框架能够显著提升单模态的检测器的表现。CLOCs在任何2D和3D检测器的NMS

EPnetEPNet: Enhancing Point Features with Image Semantics for 3D Object DetectionAbstract:文章主要研究以下两个问题：多源融合（激光雷达和相机图像）位置和分类置信度之间不一致多源融合：在没有任何图像标注的逐点行为中，增强语义图像特征的点特征位置和分类置信度之间的不一致：损失函数Introduction使用多源融

众所周知，GAN异常强大，同时也非常难以训练。主要有以下亮点原因：模型坍塌(mode collapse)难以收敛和训练不稳定(convergence and instability)GAN网络的一般表达式可以表示为：利用minmax获得公式给定G，求D的最优化针对D进行求导：获取最优解：最优解结果：KL和JS散度表达式：GAN表达式：增加一项，表示生成网络G的损失函数：简化：结合公式(6)和公式(