原文链接：https://arxiv.org/abs/2308.037551.引言完全稀疏检测器在基于激光雷达的3D目标检测中有较高的效率和有效性，特别是对于长距离场景而言。但是，由于点云的稀疏性，完全稀疏检测器面临的一大困难是中心特征丢失（CFM），即因为点云往往分布在物体表面，物体的中心特征通常会缺失。FSD引入实例级表达，通过聚类获取实例，并提取实例级特征进行边界框预测，以避免使用物体中心特征。但由于实例级表达有较强的归纳偏好，其泛化性不足。例如，聚类时需要对各类预定义阈值，且难以找到最优值；在拥挤的场景中可能使得多个实例被识别为一个实体，导致漏检。本文提出FSDv2，丢弃了FSD中的实

PV-RCNN摘要引言方法3DVoxelCNNforEfficientFeatureEncodingandProposalGenerationVoxel-to-keypointSceneEncodingviaVoxelSetAbstractionKeypoint-to-gridRoIFeatureAbstractionforProposalRefinement实验结论摘要我们提出了一种新的高性能3D对象检测框架，称为PointVoxelRCNN（PV-RCNN），用于从点云中精确检测3D对象。我们提出的方法深度集成了三维体素卷积神经网络（CNN）和基于PointNet的集合抽象，以学习更具判别

导语：自用的论文笔记SuS,GuanJ,ChenB,etal.NonnegativeMatrixFactorizationBasedonNodeCentralityforCommunityDetection[J].ACMTransactionsonKnowledgeDiscoveryfromData,2023,17(6):1-21.文章目录一、摘要二、文章创新点三、本文模型1.准备工作1、符号（Notations）2、相似度量（SimilarityMeasures）3、SymmetricNMF4、homophilypreservingNMFmodel(HPNMF)2.模型框架2.读入数据总结一

文章目录一、2Dopen-vocabularyobjectdetection的发展和研究现状二、基于大规模外部图像数据集2.1OVR-CNN：Open-VocabularyObjectDetectionUsingCaptions，CVPR20212.2OpenVocabularyObjectDetectionwithPseudoBounding-BoxLabels，ECCV20222.2.1伪标签的生成2.2.2检测模型训练2.3Detic:DetectingTwenty-thousandClassesusingImage-levelSupervision，ECCV20222.4Grounde

文章目录一、前言1.baseLineM2BEV2.Fast-BEV的整体架构数据增强图像增强BEV增强时间融合优化视图变换3.总结二、环境搭建1.创建conda环境2.torch安装3.安装相关库4.安装fastbev相关依赖5.查看mmopenlab相关包版本号三、数据准备1.下载数据集2.数据集格式转换1.运行create_data.py2.运行nuscenes_seq_converter.py三、训练1.下载预训练模型2.修改配置文件3.训练五、预测1.测试推理（1）使用公开的预训练模型推理（2）使用自己训练得到的模型推理2.可视化报错一：assertlen(_list)==len(so

whisper：https://github.com/openai/whisper/tree/main参考文章：WhisperOpenAI开源语音识别模型环境配置pipinstallfaster-whispertransformers准备tiny模型需要其他版本的可以自己下载：https://huggingface.co/openai原始中文语音模型：https://huggingface.co/openai/whisper-tiny微调后的中文语音模型：gitclonehttps://huggingface.co/xmzhu/whisper-tiny-zh补下一个：tokenizer.jso

我正在编写一个应用程序，它将计算CGPoint并在信封中显示一个标记(如果您愿意，可以是图表)。我的信封只是UIImageView中背景图像的一部分。我想要做的是构造一种“线”，对应于包络线限制(它们不是直线，而是曲线)，这样如果计算出的CGPoint位于这条线的左侧，或者位于另一行，则计算点不被批准。如果它位于这两者的中间，则它被批准。我首先想到使用CoreGraphics绘制线条，但我不确定是否可以检查计算出的CGPoint是在这些线条的右侧还是左侧。信封只有149px高，所以我也在考虑整理一个字典，其中y位置的键和代表定义边界线的像素的x位置的值。该应用程序相当简单，没有任何动画

论文链接：https://openaccess.thecvf.com/content/CVPR2022W/UG2/papers/Wu_Contrastive_Learning-Based_Robust_Object_Detection_Under_Smoky_Conditions_CVPRW_2022_paper.pdfAbstract        目标检测是指有效地找出图像中感兴趣的目标，然后准确地确定它们的类别和位置。近年来，许多优秀的方法被开发出来，以提供强大的检测能力。然而，在恶劣天气如烟熏条件下，它们的性能可能会显著降低。在这篇论文基于对比下学习提出了一个鲁棒的烟雾图像目标检测算法

由于最近的研究需要，需要对Fast-planner和Ego-planner的代码了解，所以写出这篇代码解读文章，本文持续更新。废话不多说了，上干货！本文基于以下大佬的代码解析基础上去阅读、理解、总结而成，对我的帮助真的特别大。觉得有帮助的朋友记得给大佬点赞！Fast-Planner代码阅读-1.RobustandEfficientQuadrotorTrajectoryGenerationforFastAutonomousFlight_fastplannerb样条_养生少年小余的博客-CSDN博客本文之所以成就之高，原因在于其框架的完整性，代码主要解读包含三大板块：kinodynamica_st

CV之DL之R-CNN：计算机视觉领域算法总结—R-CNN系列(R-CNN、FastR-CNN、FasterR-CNN、R-FCN、MaskR-CNN、CascadeR-CNN、LibraR-CNN各种对比)的简介、安装、案例应用之详细攻略目录相关文章我们从基于区域的目标检测器(FasterR-CNN,R-FCN,FPN)中学到了什么?Sliding-windowdetectors