原创 無人駕駛技術——RMSE

傳感器融合流程 均方根誤差 均方根誤差,可測量估算狀態和真實狀態之間的偏差。 #include <iostream> #include <vector> #include "Dense" using Eigen::Matri

原创 無人駕駛技術——雷達數據融合MATLAB

Sensor_Fusion_with_Radar 基於Matlab模擬器的的雷達數據融合,相關代碼可參看我的github https://github.com/bjtylxl/Sensor_Fusion_with_Radar.

原创 無人駕駛技術——雷達測量技術

文章目錄雷達測量模型Radar測量函數與Lidar測量函數對比 上一篇我們介紹了無人技術領域,基於Lidar數據,進行行人位置預測的方法。但是由於Lidar本身的限制,我們只能獲取到行人的位置狀態信息,卻不能得到準確的速度信息,基

原创 特徵檢測之特徵提取(Detect)

特徵檢測之特徵提取(Detect) // Detect keypoints in image using the traditional Shi-Thomasi detector void detKeypointsShiToma

原创 機器學習十大算法——集成方法

文章目錄什麼是集成方法BoostingBagging隨機森林集成方法的結合策略平均法投票法學習法集成放法的多樣性誤差-分歧分解多樣性度量多樣性增強集成學習有哪些基本步驟?集成方法常用的基分類器是什麼? 機器學習十大算法——集成方法

原创 機器學習——K折交叉驗證

文章目錄K折交叉驗證sklearn中的K折交叉驗證sklearn中的GridSearchCV你的首個(過擬合)POI 標識符的準確度是多少?適當部署的測試範圍的準確度 K折交叉驗證 通過測試、驗證,進而評估你的算法是否能夠做你想做

原创 無人駕駛技術——YOLO目標檢測

文章目錄爲什麼要檢測物體?YOLO簡介Yolov3工作流程步驟1:初始化參數步驟2:準備模型步驟3:從輸入圖像生成4維 blob步驟4:通過網絡向前運行步驟5:網絡輸出後處理完整實現代碼數據結構定義YOLO_目標檢測 爲什麼要檢測

原创 無人駕駛技術——ROS通信機制

無人駕駛技術——ROS通信機制 ROS的通信機制有三種,分別爲話題,服務和動作。下面就以思維導圖的方式介紹這三種通信方式以及之間的區別和適用場景。 ROS通信機制——思維導圖

原创 無人駕駛技術——激光雷達測量

文章目錄激光雷達測量模型參數定義測量向量z測量矩陣H協方差矩陣R編程實現激光跟蹤 激光雷達測量模型 參數定義 測量向量z z是測量矢量。對於激光雷達傳感器,矢量z是包含位置x和位置y測量。 測量矩陣H H是將你對物體當前狀態的信

原创 Caffe深度學習入門(5)—— caffenet 微調網絡 訓練自己的數據並測試訓練的模型

微調網絡,通常我們有一個初始化的模型參數文件,這裏是不同於training from scratch,scrachtch指的是我們訓練一個新的網絡,在訓練過程中,這些參數都被隨機初始化,而fine-tuning,是我們可以在Ima

原创 Caffe深度學習入門(4)——Ubuntu16.04 + CUDA9.1+cudnn7.5 + opencv3.3.1+python3.5+caffe安裝參考博客和跳坑筆記

Caffe深度學習入門——Ubuntu16.04 + CUDA9.1+cudnn7.5 + opencv3.3.1+python3.5+caffe安裝參考博客和跳坑筆記 Ubuntu16.04 + CUDA9.1+cudnn7.5

原创 未完成——目標檢測 | DetNet算法筆記

文章目錄主要思想網絡架構實驗對比結論 會議: ECCV 2018 標題:《DetNet: A Backbone network for Object Detection》 論文鏈接: https://arxiv.org/abs/1

原创 目標檢測 | Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Network 算法筆記

文章目錄摘要相關工作傳統方法基於深度學習方法本文方法系統概述網絡設計訓練策略實驗和結果數據集結論 會議:CVPR 2019 標題:《 Robust Lane Detection from Continuous Driving Sc

原创 深度學習目標檢測2013-2018單雙階段主流模型概覽及詳解

背景:深度學習引入目標檢測領域以來,給目標檢測領域帶來了很多突破性的進展,文章“Deep Learning for Generic Object Detection: A Survey”由香港中文大、國防科技大、芬蘭奧盧大學、澳大

原创 NMS

NMS 非極大值抑制 def NMS(dects, threshold): # dects:[x1,y1,x2,y2,score] x1 = dects[:,0] y1 = dects[:,1]