文章目录DETR1.亮点工作1.1EtoE1.2self-attention1.3引入位置嵌入向量1.4消除了候选框生成阶段2.SetPrediction2.1N个对象2.2Hungarianalgorithm3.实例剖析4.代码4.1配置文件4.1.1数据集的类别数4.1.2训练集和验证集的路径4.1.3图片的大小4.1.4训练时的批量大小、学习率等参数4.2模型部分4.2.1backbone4.2.2neck4.2.3head4.3train/engine.py4.3.1train.py4.3.2engine.pytrain_one_epoch()evaluate()DETR链接：http

文章目录前言一、基本原理Retinex理论y=zⓧx单尺度Retinex算法（SSR）二、论文内容1.网络结构IlluminationEastimationSelf-CalibratedModule：作用使每个阶段的结果收敛到同一状态。2.损失函数保真度损失平滑损失3.讨论Operation-InsensitiveAdaptability（操作不敏感适应性，即在不同的简单操作设置下获得稳定的性能）Model-IrrelevantGenerality（模型不相关通用性，即可以应用于基于光照的现有著作以提高性能）二、模型代码（官方代码）总结SCI开辟了一个新的视角：即在训练阶段引入辅助过程来增强基

Fast-planner和Ego-planner比较Fast-PlannerEgo-plannerFast-planner和Ego-planner都是无人机路径规划中常见的算法，但它们的实现方式和目标略有不同。Fast-planner是一种高效的全局路径规划算法，它主要用于生成无人机的长期规划路径，以最小化整个路径的时间和距离。该算法通过先前的地图信息和无人机当前状态，生成一条起点和终点之间的最优路径，并且在运行时间上非常快速，通常能够在几秒内完成路径规划。相比之下，Ego-planner是一种更加局部的路径规划算法，其主要目的是在无人机飞行过程中即时生成适合当前交通状况的短期规划路径，以确保

Fast-planner和Ego-planner比较Fast-PlannerEgo-plannerFast-planner和Ego-planner都是无人机路径规划中常见的算法，但它们的实现方式和目标略有不同。Fast-planner是一种高效的全局路径规划算法，它主要用于生成无人机的长期规划路径，以最小化整个路径的时间和距离。该算法通过先前的地图信息和无人机当前状态，生成一条起点和终点之间的最优路径，并且在运行时间上非常快速，通常能够在几秒内完成路径规划。相比之下，Ego-planner是一种更加局部的路径规划算法，其主要目的是在无人机飞行过程中即时生成适合当前交通状况的短期规划路径，以确保

ABSTRACT        由于其固有的特性，小目标在多次下采样后的特征表示较弱，甚至在背景中消失。FPN简单的特征拼接 没有充分利用多尺度信息，在信息传递中引入了不相关的上下文，进一步降低了小物体的检测性能。为了解决上述问题，我们提出了简单但有效的FE-YOLOv5。(1)我们设计了 特征增强模块(FEM)来捕捉小目标更具辨别力的特征。全局注意力和高级全局上下文信息用于指导浅层的高分辨率特征。全局注意力与跨维度特征交互，减少信息丢失。高级上下文 通过非局部网络对全局关系进行建模来补充更详细的语义信息。（2）我们设计了 空间感知模块（SAM）来过滤空间信息并增强特征的鲁棒性。可变形卷积 执

    大家好，我是PD协议小白，我在pd简介中简单的介绍了一下type-c内部结构以及角色问题，那我们如何去检测typc-c的正反插以及判断lane的线序呢？那么本文我带大家讨论一下吧，如果我又说的不对的地方，欢迎大家给予指正，谢谢。1.TypeC是怎么识别正反插的？    上一章我说过CC信号有两个CC接口，CC1和CC2，大部分USB线（不带芯片的线缆）里面只有一根CC线，DFP可根据两根CC线上的电压，判断是否已经插入设备。通过判断哪根CC线上有下拉电阻来判断方向。如果CC1引脚检测到有效的Rp/Rd连接（对应的电压），则认为电缆连接未翻转。如果CC2引脚检测到有效的Rp/Rd连接（对

一、主题：Fastplanner基本原理学习二、目标：理解Fastplanner轨迹规划处理流程理解hybridA*的改进点B样条曲线定义、性质、以及所带来的便利三、正文：1、Fastplanner轨迹规划处理流程主要思想：前端考虑动力学进行规划，后端轨迹优化利用B样条曲线的性质。前端考虑动力学的作用：1、为了后端优化能得到效果更好的轨迹。2、利用Forwarddirection:discrete(sample)incontrolspace可以很好的几何到A*算法中。后端采用B样条曲线作轨迹规划，在位置上，可以利用几个控制点描述一条曲线，利用B样条曲线的性质，可以将对轨迹的约束、动力学的约束加

文章目录一、背景二、方法2.1OptimalTransport2.2OTforlabelassignment2.3Centerprior2.4DynamickEstimation三、效果四、OTA代码片五、SimOTA（源于YOLOX）论文：OptimalTransportAssignmentforObjectDetection代码：https://github.com/Megvii-BaseDetection/OTA出处：CVPR2021贡献：提出了一种基于优化策略的标签分配方式，OptimalTransportAssignment(OTA)，将gt看做label供应商，anchor看做la

2Lane和4Lane是指摄像头的数据传输通道数。具体来说，Lane是一种差分传输方式，每个Lane代表一条数据传输通道。在摄像头的数据传输中，2Lane代表摄像头有2条数据传输通道，4Lane代表摄像头有4条数据传输通道。摄像头的通道数越多，其数据传输速度越快，同时也能传输更多的图像信息。在实际应用中，通常需要根据系统的需求选择适合的摄像头通道数。例如，在对帧率要求较高的应用场景中，可以选择通道数较多的摄像头，以实现更稳定、流畅的图像传输。总之，2Lane和4Lane是描述摄像头数据传输通道数的概念，通道数越多就意味着传输速度更快、传输的图像数据更多，选择哪种通道数要根据系统需求和实际应用情

论文解读：BIT|RemoteSensingImageChangeDetectionwithTransformers论文地址：https://arxiv.org/pdf/2103.00208.pdf项目地址：https://github.com/justchenhao/BIT_CD现代变化检测（CD）凭借其强大的深度卷积识别能力取得了显著的成功。然而，由于场景中物体的复杂性，高分辨率遥感CD仍然具有挑战性。在这里，我们提出了一个bitemporalimagetransformer（BIT）来有效地建模时空域内的上下文。.我们的直觉是，兴趣变化的高级概念可以用一些视觉单词来表示，即语义token