摘要：
1. 在https://developer.harmonyos.com网站上注册账号; 2. 下载DevEco Studio安装文件,选择Windows 64位版本; 3. 运行安装文件,开始安装; 4. 选择Do not import settings; 5. 运行DevEco Studio,安装 阅读全文
摘要：
1. 安装Python,默认已经安装; 2. 安装VSCode,默认已经安装,如果版本低,可以更新到最新版本; 3. 在https://device.harmonyos.com/cn/develop/ide#download下载DevEco Device Tool 4.0 Release,选择Lin 阅读全文
摘要：
跑Cifar,发现训练时间很长,仔细一看,原来cudaGetDeviceCount()返回的是0,就是说没有找到GPU,没有用GPU跑,是在用CPU跑,难怪时间这么长. 在终端输入nvidia-smi,出现了以下错误: Failed to initialize NVML: Driver/librar 阅读全文
摘要：
1. 在命令窗口中输入下面两个命令: pip install pyqt5 pip install pyqt5-tools 2. 打开PyCharm的File->Settings->Tools->External Tools,单击Add,在弹出的窗口中输入: Name: QtDisigner Prog 阅读全文
摘要：
Qualitative Results如下图所示: 阅读全文
摘要：
实验结果如下图所示: 阅读全文
摘要：
损失函数分为3种类型: (1) 对于热力图,用以下的Focal Loss计算: (2) 对于深度,采用Laplacian aleatoric uncertainty loss function for depth计算: (3) 对于尺寸采用L1 Loss计算: 阅读全文
摘要：
Feature backbone采用DLA,输入维度为3×H×W的RGB图,得到维度D×h×w的特征图F,然后将特征图送入几个轻量级regression heads,2D bouding boxes的中心特征图用下面的模块得到: 其中AN是Attentive Normalization.用公式表示: 阅读全文
摘要：
MonoCon的网络结构和MonoDLE几乎一样,只是添加了辅助学习(Auxiliary Learning, AL)模块. 网络结构如上图所示,对于3D目标检测来说,预测2D框是没有必要的,但是MonoCon在训练阶段仍然计算了2D框的损失函数,但是在推理的时候,并不会预测2D框,这就是所谓的辅助学 阅读全文
摘要：
作者认为单目3D目标检测可以简化为深度估计问题,深度估计不准确限制了检测的性能.已有的算法直接使用孤立实例或者像素估计深度,没有考虑目标之间的集合关系,因此提出了构建预测的目标之间的几何关系图,来促进深度预测. 将深度值划分成若干个区间,然后通过分布的期望来计算深度值,在精度和速度上都取得了不错的性 阅读全文
摘要：
进入git目录,输入以下命令: sudo git init --bare 仓库名.git sudo chown -R 用户名:用户名 仓库名.git 仓库的URL地址为: 用户名@IP:git目录/仓库名.git 在PyCharm中右键单击项目文件夹,选择Git->Manage Remotes,添加 阅读全文
摘要：
运行: sudo apt update 提示: E: 有几个软件包无法下载，要不运行 apt-get update 或者加上 --fix-missing 的选项再试试？ 于是运行: apt-get update --fix-missing 运行: sudo apt-get install build 阅读全文
摘要：
模型如下图所示: 将H×W×C的图像reshape成了N×(P2×C),其中(H,W)是图像的原始分辨率,C是通道数,(P,P)是每个图像块的分辨率,N=H×W/P2为图像块的数量,将一个图像块使用可学习的线性层映射到维度为D的隐藏向量,如式(1)所示,线性映射的输出称为patch embeddin 阅读全文
摘要：
MMDetection的学习率设置文件放在目录mmdetection3d\configs\_base_\schedules\下面,如下图所示. 各文件的含义如下： consine.py: SGDR policy, 40epochs; cyclic_20e.py: CLR policy, 20 epo 阅读全文
摘要：
SGDR和CLR比较类似,都是给学习率设置周期和变化范围,按照下面的公式让学习率周期性的变化: 总的来说,就是在一个周期开始时,将学习率设置为最大值,然后按照余弦函数减小到最小值,再开始下一个周期的循环.尝试了各种超参数的设置. 阅读全文
摘要：
学习率的设置是深度学习中一个比较重要的问题,Cyclical Learning Rates(CLR)提出了一种新的方法,即让学习率周期性的变化,而不是像之前的方法那样让学习率单调递减变化. Cyclical learning rates其实比较简单,只需要3个参数: (1)base_lr:学习率的最 阅读全文
摘要：
很多深度学习都是多任务学习(Multi-Task Learning, MTL),需要对多个Loss同时优化,模型的性能受各Loss的权重的影响,手工选择权重成本太高,是不可能的,于是提出了基于Uncertainty的自动学习权重的方式. 下图是一个典型的多任务学习场景,需要同时满足语义分割,实例分割 阅读全文
摘要：
ImVoxelNet这是一种基于单目或多视图 RGB 图像的 3D 对象检测的新型全卷积方法,根据RGB图进行3D检测. 这种方法其实比较简单,先在多张2D RGB图上进行卷积操作(共享2D卷积核),然后将特征映射到3D体素上,同一个体素有多个特征的进行简单的平均池化操作,然后用3D卷积核进行卷积操 阅读全文
摘要：
Part-A2是一个两阶段,基于点的3D目标检测器,由part-aware和part-aggregation模块组成.类似于两阶段的2D检测器,第一阶段提出Proposals,第二阶段进行Refine. 1. Part-aware模块 负责生成3D Proposals.先将3D空间体素化,每个体素大 阅读全文
摘要：
FCOS3D是在2D检测器FCOS的基础上提出的,是一种单目3D检测算法,根据RGB图像进行3D目标检测.FCOS预测的是一个前景点到边界框的4个距离,而FCOS3D需要预测更多的东西,包括3D中心点,3D尺寸,以及目标的方向. 整体结构上,FCOS3D和FCOS非常类似,Backbone和Neck 阅读全文
摘要：
MMdetection3D更新了,只好再次安装,由于CUDA,cuDNN,PyTorch以前已经安装了,这次就不需要安装了,只需要安装MMdetection3D就行了. 1. 安装MMCV 输入以下命令: pip install mmcv-full -f https://download.openm 阅读全文
摘要：
由于操作失误,把硬盘挂载到了/home,导致系统启动失败,用Ubuntu的安装U盘进入Try,然后输入以下命令: sudo gedit ./etc/fstab 发现fstab文件是这样的: # /etc/fstab: static file system information. # # Use ' 阅读全文
摘要：
不小心把Ubuntu18.04的boot分区格式化了,进不去系统了,一开机就是BIOS界面,最后使用boot-repair恢复了boot分区. 1. 使用Ubuntu18.04的安装U盘启动,选择Install,看了一下硬盘分区,还好,只是537M的boot分区被格式化了,400多G的系统还在,于是 阅读全文
摘要：
1. 输入命令sudo apt-get install git,安装Git; 2. 输入命令git config --global user.name [your user name]和git config --global user.email [your email],配置用户名和电子邮件; 3 阅读全文
摘要：
OS: Ubuntu20.04 GPU: RTX 3060(12G) python==3.7.12 cuda==11.2 cudnn==cudnn-11.2-linux-x64-v8.1.1.33 pytorch==1.11.0 torchaudio==0.11.0 torchvision==0.1 阅读全文
摘要：
1. 下载并安装PCL 1.12.1 到https://github.com/PointCloudLibrary/pcl/releases下载下面两个文件: 安装PCL时，选择添加路径到Path.解压pcl-1.12.1-pdb-msvc2019-win64.zip,复制.pdb文件到C:\Prog 阅读全文
摘要：
在Ubuntu下安装PyTorch遇到了下面的错误: The following packages are causing the inconsistency 下面是一长串的包名,有人说需要手动把这些包删除了,但是包太多,一个一个删除太费时间,而且有些包根本删不掉,最好的办法就是新建一个Conda环 阅读全文
摘要：
Focal loss在文件.\mmdet\models\losses\focal_loss.py实现,代码如下： import torch import torch.nn as nn import torch.nn.functional as F from mmcv.ops import sigmo 阅读全文
摘要：
现有的目标检测器对小目标的检测效果不好,针对这种情况,作者提出了Feedback-driven Data Provider,根据训练过程中小对象对损失值的的贡献率,提供小对象训练数据的方法.Stitcher就是把多张图片(一般是4张)缩小后拼接在一起,从而产生更多小对象. 作者以Faster RCN 阅读全文
摘要：
现有的模型存在两个问题: (1)classification score和quality score(包括IoU和centerness score)训练和推理时不一致.训练的时候这两个score是分别训练的,推理的时候将这两个score相乘作为NMS的依据,如下图(a)所示. 这有可能造成一些错误, 阅读全文