Introduction本文原本只是自己在拿到mid360后，开始进行开发过程的一些问题和学习的记录。毕竟实物和仿真还是有很多不同，且由于碰到的问题也比较多，READEME也越来越详细，所以就干脆整合起来，做成了一篇使用mid360的搭建入门的导航系统全流程分享。里面用到的都是主流的开源的框架（部分文件做了修改和mid360适配），fast_lio,move_base等等，或许能帮助到第一次开发机器人实物导航的朋友。本文的代码地址：https://github.com/66Lau/NEXTE_Sentry_Nav环境：ros-noeticubuntu20.04你可以跟着下文步骤，逐一对clon

报错：报错关键词：non-fast-forwardyourcurrentbranchisbehindtheremotechanges即：不能快速前进、当前分支滞后、远端改变原因：这个分支下，别人提交了一些代码到远程仓库。对于这个改变，你没有拉取到本地，而你又添加了一下新代码。此时你push到远程仓库，检测到你之前从远程仓库拉取时仓库的状态，和现在仓库的状态不一样了。为了安全起见，push被拒绝。报错中其实已经说明逻辑：theremotechanges⇒yourcurrentbranchisbehind⇒non-fast-forward⇒pushrejected解决：抓取这个分支在远程仓库的更新

目录基本信息标题目前存在的问题改进网络结构另一个写的好的参考基本信息期刊CVPR年份2023论文地址https://arxiv.org/pdf/2303.09030.pdf代码地址https://github.com/zcablii/LSKNet标题遥感目标检测的大选择核网络目前存在的问题相对较少的工作考虑到强大的先验知识存在于遥感图像。航空图像通常是用高分辨率的鸟瞰图拍摄的。特别是，航拍图像中的大多数物体可能体积较小，仅从它们的外观很难识别。相反，这些物体的成功识别往往依赖于它们的上下文，因为周围的环境可以提供关于它们的形状、方向和其他特征的有价值的线索。遥感图像中目标的精确检测往往需要广泛

1.引言关于有限域的基础知识，可参考：RISCZero团队2022年11月视频IntrotoFiniteFields:RISCZeroStudyClub有限域几乎是密码学中所有数学的基础。ZKP证明系统中的所有运算都是基于有限域的：使用布尔运算的数字电路：如AND、OR、NOT。使用有限域运算的算术电路：如addition、multiplication、negation。但是，真实的计算机没有有限域电路装置，只有：ADDrax,rbxMULraxSHRrax,CL等等因此，需基于以上运算来构建有限域运算。有限域运算的速度很关键，原因在于：影响ZKP可用性的最大障碍在于证明开销。几乎所有的证明时

1.RemoteSensingChangeDetectionusingDenoisingDiffusionProbabilisticModels论文代码22-6动机：可用于训练CD模型的标注训练图像较少,应该注重从数百万免费可用的、无标记的、无策展的遥感图像中挖掘尽可能多的信息，以提高CD的准确性和鲁棒性。目前的预训练方法要么需要航空场景分类数据集进行监督预训练，要么需要配对的多时间图像进行自我监督预训练，这限制了他们利用数百万现成的未标记遥感图像信息的能力。介绍：提出了一种新的方法，通过去噪扩散概率模型，将通过不同的地球观测计划获得的数百万现成的、未标记的遥感图像合并到训练过程中。在数百万现

用于多视图3D对象检测的位置嵌入变换(PETR:PositionEmbeddingTransformationforMulti-View3DObjectDetection）背景研究现存问题针对前述问题，本课题主要研究相比于传统方法，优势是什么应用场景有哪些可行性分析数据集技术方案PETR方法整体框架3DCoodinatesGenerator转换方法3DPositionEncoderDecoder、HeadandLoss公开项目源参考开源项目：CrossModalTransformer:TowardsFastandRobust3DObjectDetectionCAPE:CameraViewPos

「我高兴地在北京市的天安门广场上看红色的国旗升起」快速阅读一下这个句子，大家可能会发现，只需「我在天安门广场看升旗」几个字，就能概述我们需要的信息，也就是说，无需逐字逐句地阅读，抓住重点即可破译全部信息。那么，科学研究是不是也能如此呢？受此启发，研究人员将人工智能(AI)与显微技术结合，训练AI主动识别样本中的关键特征，供研究者分析。不同于传统显微技术中对样本的全点式扫描，AI+显微技术的方法彻底改变了研究人员获取样本数据的方式，显著加快实验进程，实现了微观层面的「快速阅读」。作者|加零编辑|雪菜、三羊显微镜的原理是通过扫描样品产生空间分辨信号，收集信号进行分析，从而形成样品图像。随着仪器仪表

CVPR2023：SimpleNet:ASimpleNetworkforImageAnomalyDetectionandLocalizationSimpleNet包括四个组件：预训练的特征提取器，用于生成局部特征；浅层特征适配器，将局部特征转移到目标域；简单的异常特征生成器，通过向正常特征空间（以往是在图像中加噪声）添加高斯噪声来模拟异常特征；二元异常鉴别器，用于区分异常特征和正常特征。背景基于合成的方法简单来说就是利用正常图像或加噪声生成伪异常。问题：实际缺陷各异且难预知，所以模拟的效果会影响性能。基于嵌入的方法目前基于嵌入的方法取得了最先进的性能：先用预训练的CNN提取正常特征，然后采用一

写在前面DETR翻译过来就是检测transformer，是DetectionTransformers的缩写。这是一个将2017年大火的transformer结构首次引入目标检测领域的模型，是transformer模型步入目标检测领域的开山之作。利用transformer结构的自注意力机制为各个目标编码，依靠其并行性，DETR构造了一个端到端的检测模型，并且避免了以往模型中各种类型的冗余操作，让目标检测问题变得更加简单。原论文链接参考视频在这里对transformer结构的复习在这里：（1）史上最小白之Transformer详解；（2）详解Transformer中Self-Attention以及