一、论文信息论文名称：JointAudio-VisualDeepfakeDetection会议：ICCV2021作者团队：二、动机与创新动机Visualdeepfake上有许多检测方法和数据集，而对audiodeepfake以及visual-audio两种模式之间的deepfake方法较少。AudioDeepfake主要有两个任务：1）TTS:text-to-speech文本转语音；2）VC：voiceconversion语音转换（将一个人语音转为另一个人的声音）。创新本文提出一种新的视觉-听觉Deepfake联合检测任务，利用视觉和听觉两种模式之间的内在关系可以帮助deepfake检测。a中

近期由于学习要求，复现成功Ultra-Fast-Lane-Detection代码后，记录下自己在原理上的学习笔记，本人刚接触这块，有不对的地方欢迎指正。代码链接：GitHub-cfzd/Ultra-Fast-Lane-Detection:UltraFastStructure-awareDeepLaneDetection(ECCV2020)论文创新点：使用全局特征的基于行的选择问题，提出了一个结构损失模型来明确地建模车道的结构。对于车道检测，主流的方法有两种，一种是传统图像处理方法，另一种是深度分割方法。利用全局特征在图像的预定义行中选择车道的位置，而不是基于局部接受域分割车道的每个像素，这大大

PETR:PositionEmbeddingTransformationforMulti-View3DObjectDetection作者单位旷视目的DETR3D中2D->3D过程存在的问题：预测的参考点坐标可能不准确，在采样图片特征时可能拿不到对应的特征。只有参考点投影位置的图像特征被使用，无法学到全局的特征。采样图像特征的过程过于复杂，难于应用本文的目标是在DETR的基础上，提出一个简单优雅的3D目标检测框架本文的贡献总结：提出了一个简单优雅的框架，PETR，用于多视角的3D目标检测。提出了一个新的3Dposition-aware表示在nuScenes数据集上达到了sota方法网络结构网络整

平台：ubuntu18.04+ros-melodic设备:速腾16线激光雷达（RS-Helios-16P)、IMU(WHT901B-485)对应使用方法：速腾16线激光雷达（RS-Hellos-16P）在windows与ubuntu18.04下的调试与点云数据格式转换（pointclould2--＞laserscan）_百川01的博客-CSDN博客使用2D雷达laser+imu实现cartographer实时建图_百川01的博客-CSDN博客参考链接：使用速腾雷达32线Helios和fast-LIO2算法建图（一）_32线雷达数据_不加辣先生的博客-CSDN博客1.雷达驱动设置1.1 修改Cm

1.引言前序博客：基础算法优化——FastModularMultiplication大整数的模乘：是每种SNARK计算的核心是最昂贵的基石通常可决定整个协议的复杂度对模乘运算的哪怕一点点改进，都可能带来大幅加速。Ingonyama团队2023年论文Multi-PrecisionFastModularMultiplication，开源代码实现见：https://github.com/ingonyama-zk/modular_multiplication（Python）基础算法优化——FastModularMultiplication（本文称为Barrett-Domb模乘算法）是一种基于Barre

目录一、发现阶段二、四种发现机制三、简单发现协议介绍1、InitialAnnouncement（初始通告）2、SimpleEDPAttributs（简单节点发现属性）3、Initialpeers（初始对等列表）所有DDS都具有三个最重要的机制，一是发现机制，二是收发机制，三是QoS机制。DDS的发现机制是高可靠性和即插即用扩展性的实现基础，也是DDS区别于传统消息队列、原始套接字程序的主要特征。因此，可以说发现机制不仅是FastDDS的核心机制，也是所有DDS的核心机制，不了解发现机制，则不能进阶为DDS高手。FastDDS作为一种数据分发服务（DDS）实现，它也提供了发现机制，允许跨域参与者

我正在使用EF核心从SQLite读取40,000个小对象/行，这需要18秒，这对于我的UWP应用来说太长了。出现这种情况时单核CPU使用率达到100%，但磁盘读取速度大约为1%。vardataPoints=_db.DataPoints.AsNoTracking().ToArray();如果没有AsNoTracking()，所花费的时间会更长。DataPoint是一个具有一些原始属性的小型POCO。我加载的数据总量是4.5MB。publicclassDataPointDto{[Key]publiculongId{get;set;}[Required]publicDateTimeOffse

我正在使用EF核心从SQLite读取40,000个小对象/行，这需要18秒，这对于我的UWP应用来说太长了。出现这种情况时单核CPU使用率达到100%，但磁盘读取速度大约为1%。vardataPoints=_db.DataPoints.AsNoTracking().ToArray();如果没有AsNoTracking()，所花费的时间会更长。DataPoint是一个具有一些原始属性的小型POCO。我加载的数据总量是4.5MB。publicclassDataPointDto{[Key]publiculongId{get;set;}[Required]publicDateTimeOffse

opencv3.4.15源文档链接:linkChArUco标定板角点的检测GoalSourcecodeCharuco板创建ChArUco板检测ChArUco姿势估计ArUco标记和板的快速检测和多功能性是非常有用的。然而，ArUco标定板的一个问题是，即使应用亚像素细化，其角点位置的精度也不是太高。相反，棋盘图案的角可以更精确地细化，因为每个角都被两个黑色方块包围。然而，寻找一个棋盘图案不像寻找一个ArUco板:它必须是完全可见的，闭塞是不允许的。（拍摄的图片，标定板必须无遮盖）ChArUco标定板试图结合这两种方法的优点：ArUco部分用于插值棋盘角点的位置，因此它具有标记板的多功能性，因为

LANE_CHANGE_DECIDER在这个decider可能会有很多人陷入误区，认为Apollo在规划中换道的时候是有一个主动请求的，这里引用知乎上iGear大佬的解释：Apollo的都是自己计算换道时机和换道安全，一般没有主动换道请求，一般人可能会认为换道要有明确的时机，类似于有一个明确的状态，这个状态位true了就要换道。但Apollo里面没有明确的换道时机，就像人开车一样，觉得安全且有必要就去执行某一个动作。这里大家可以反复看看Apollo的规划流程。这节的lane_change_decider只是计算换道状态，后面我们还会计算换道的boundary，然后再规划换道轨迹，不是一个逻辑或