自动驾驶

在本部分中，将之前的优达学城的整套目标检测与跟踪算法改写为ros实时处理，但改写完成后利用我现有的数据包实时检测跟踪，并计算TTC，发现效果不尽人意啊。。。算法的鲁棒性整体较差&#xff0

笔记
论文的脉络
先对比了和一些 其他工作的比较，比如 比 fast rcnn 更加能利用 全局的信息。
牵扯到的基础知识
iou
mAP
2. 统一的检测流程
提出了一个想法：每一个 box 如果 有

前言
在阅读本博客时，建议先阅读AFDetV1以及cornernet和centernet
AFDetV1在我之前讲解过:【3D 目标检测】AFDet: Anchor Free One Stage 3D Object Detec

YOLOv1作为yolo系列开山之作结构还是比较简单的，相比于rcnn追求精确性，它还考虑了网络的速度。它的backbone借鉴了googlenet。 我们主要看输出：7X7X30 7X7表示将图片划

基于Matlab的深度学习的汽车目标检测
目前大部分的深度学习或者主流的深度学习算法大部分都是基于python所做的“前端”所实现的，python的语言足够简洁，社区相对成熟（框架多，类

先看精度效果：
Yolo-Fastest-1.1 Pedestrian detection EquipmentSystemFrameworkRun timeRaspberrypi 3BLinux(arm64)ncnn62ms Network

目的 在无人驾驶项目开发中测试了几个目标检测算法模型，使用的数据是速腾聚餐32线激光雷达采集得到的点云，使用的显卡是RTX2060，采集的场地是停车场和道路环境。
1　PointPillars 使用的

autoware使用Euclidean Clustering进行检测 点云聚类在激光雷达环境感知中的作用
就无人车的环境感知而言，方案很多，根据使用的传感器的不同，算法也截然不同，有单纯基于图像视觉的方法，也有基于激光雷达的方法，激光雷达以其

基于视觉Transformer的目标检测 无卷积骨干网络：金字塔Transformer，提升目标检测/分割等任务精度 https://github.com/whai362/PVT
例如，在参数数量相当

EPNet: Enhancing Point Features with Image Semantics for 3D Object Detection
1.摘要
这篇文章主要解决3D目标检测中的两个重要问题，包括多传感器融合