不管是开发还是测试，有时候都需要虚拟机。比如虚拟化一台Linux，部署Web服务进行服务器仿真操作。亦或者，macOS上虚拟化Windows，进行Windows环境模拟。VMware这家公司，大家应该都比较熟悉。旗下的VMwareWorkstation在Windows和Linux操作系统上，广受好评。而在macOS上，VMware发行的版本是：VMwareFusionVMwareFusionVMwareFusion是VMware为苹果电脑开发的虚拟机程序，它允许用户在中央处理器为macOS操作系统上运行其他操作系统。同时，Fusion拥有Player和Pro版本。Pro版本比Player版本多
(1)当前面临的问题是什么以及原因？虽然sensorfusion在该领域越来越受欢迎，但是对劣质图像(inferiorimage)条件鲁棒性不好，（例如照明不佳和传感器未对准），现有的融合方法很容易受到这些条件的影响，主要是由于calibrationmatrices建立的LiDARpoints和imagepixels的硬关联(hardassociation)。注 ：calibrationmatrices标定矩阵：用于校准相机和LiDAR硬关联(hardassociation）机制是指利用标定矩阵来建立LiDAR点和image像素的关联(2)作者提出的解决问题的方法作者提出TransFusion
(1)当前面临的问题是什么以及原因？虽然sensorfusion在该领域越来越受欢迎，但是对劣质图像(inferiorimage)条件鲁棒性不好，（例如照明不佳和传感器未对准），现有的融合方法很容易受到这些条件的影响，主要是由于calibrationmatrices建立的LiDARpoints和imagepixels的硬关联(hardassociation)。注 ：calibrationmatrices标定矩阵：用于校准相机和LiDAR硬关联(hardassociation）机制是指利用标定矩阵来建立LiDAR点和image像素的关联(2)作者提出的解决问题的方法作者提出TransFusion
以前用linux系统基本都在我的服务器上或者是在win上进行，从没有在M1上进行创建，因此走了一些坑吧，这里会列出我的详细安装步骤。下载镜像镜像的下载网站：https://www.centos.org/download/在该网站中，不管是Everything，还是Minimal镜像，只要一运行，在初始的InstallCentos界面就无法进行跳转，点击后还是显示当前界面。因此这些镜像都没法用，后来找了一个镜像，可以搭建成功：链接:https://pan.baidu.com/s/1hu_AD2mr8XtqmH1mOz7OYQ提取码:yyds下载后，只需要使用FastZip解压即可。👉镜像来源：h
以前用linux系统基本都在我的服务器上或者是在win上进行，从没有在M1上进行创建，因此走了一些坑吧，这里会列出我的详细安装步骤。下载镜像镜像的下载网站：https://www.centos.org/download/在该网站中，不管是Everything，还是Minimal镜像，只要一运行，在初始的InstallCentos界面就无法进行跳转，点击后还是显示当前界面。因此这些镜像都没法用，后来找了一个镜像，可以搭建成功：链接:https://pan.baidu.com/s/1hu_AD2mr8XtqmH1mOz7OYQ提取码:yyds下载后，只需要使用FastZip解压即可。👉镜像来源：h
一、VINSFusionVINSFusion是一种基于优化的多传感器状态估计器，可实现自主应用（无人机、汽车和AR/VR）的精确自我定位。VINSFusion是VINSMono的扩展，支持多种视觉惯性传感器类型（单摄像机+IMU、双目相机+IMU，或纯双目相机），且支持将VINS与GPS融合。主要特点如下：(1)支持多传感器（双目相机/单目相机+IMU/双目相机+IMU）(2)实时camera-imu外参校准（相机和IMU之间的转换）(3)实时同步时间校准（相机和IMU之间的时间偏移）(4)闭环可视化下图为VINSFusion整体框架节点数据流从VINSFusion整体框架，可以很清楚数据流。
一、VINSFusionVINSFusion是一种基于优化的多传感器状态估计器，可实现自主应用（无人机、汽车和AR/VR）的精确自我定位。VINSFusion是VINSMono的扩展，支持多种视觉惯性传感器类型（单摄像机+IMU、双目相机+IMU，或纯双目相机），且支持将VINS与GPS融合。主要特点如下：(1)支持多传感器（双目相机/单目相机+IMU/双目相机+IMU）(2)实时camera-imu外参校准（相机和IMU之间的转换）(3)实时同步时间校准（相机和IMU之间的时间偏移）(4)闭环可视化下图为VINSFusion整体框架节点数据流从VINSFusion整体框架，可以很清楚数据流。
【论文解读】AttentionalFeatureFusion一、研究背景二、Multi-scaleChannelAttentionModule（MS-CAM）三、AttentionalFeatureFusion（AFF）四、IterativeAttentionalFeatureFusion（IAFF）五、实例：替换ResNet,FPN和InceptionNet中的特征融合六、实验1数据集及实验设置2消融实验3对比实验首先附上论文地址和代码：论文地址：https://ieeexplore.ieee.org/document/9423114代码地址：https://github.com/Yimia
【论文解读】AttentionalFeatureFusion一、研究背景二、Multi-scaleChannelAttentionModule（MS-CAM）三、AttentionalFeatureFusion（AFF）四、IterativeAttentionalFeatureFusion（IAFF）五、实例：替换ResNet,FPN和InceptionNet中的特征融合六、实验1数据集及实验设置2消融实验3对比实验首先附上论文地址和代码：论文地址：https://ieeexplore.ieee.org/document/9423114代码地址：https://github.com/Yimia
AttentionalFeatureFusion注意力特征融合最近看到一篇比较不错的特征融合方法，基于注意力机制的AAF，与此前的SENet、SKNet等很相似，但AFF性能优于它们，并且适用于更广泛的场景，包括短和长跳连接以及在Inception层内引起的特征融合。AFF是由南航提出的注意力特征融合，即插即用！本篇博客主要参考自知乎作者OucQxw，知乎原文地址：https://zhuanlan.zhihu.com/p/424031096论文下载地址：https://arxiv.org/pdf/2009.14082.pdfGithub代码地址：https://github.com/Yimia
