自动驾驶

激光雷达传感器获取的点云可以绘制三维环境图。这种由距离点组成的“云”提供了大量有价值的环境信息。然而，对于某些应用来说，这些信息过于复杂，无法进一步处理。例如，自动驾驶功能、交通监控或停车

介绍：
anchor based检测器有一些缺点：
1.有很多超参数，例如size，长宽比，anchor的数量，这些超参数都需要仔细设计与调整。
2.因为

作   者：XJTU_Ironboy 时   间：2018年11月 联系方式：tzj19970116163.com
本文结构：
摘要介绍 2.1 大致框架 2.2 测试评价指标 2.3

1、 为什么要做这个研究（理论走向和目前缺陷） ? 以前做目标检测主流是faster rcnn之流要做anchor和NMS等手工设计。 2、 他们怎么做这个研究 （方法，尤其是与之前不同之

一、目标检测简介
针对一张图片，根据后续任务的需要，有三个主要层次。
一是分类（Classification），即是将图像结构化为某一类别的信息，用事先确定

摘要
三维目标检测是自动驾驶和虚拟现实中重要的场景理解任务。基于激光雷达技术的方法具有高性能，但激光雷达昂贵。考虑更一般的场景，没有3d激光雷达数据的数据集，我们提出一个3d对象立体视觉检测的方法&#

一、前提准备 源码下载 https://github.com/ultralytics/yolov5 YOLOv5 文档： https://docs.ultralytics.com/ yolo v5原理: 深入浅出Yolo系列之Yo

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