首页
学习
活动
专区
工具
TVP
发布

Frank909

专栏成员
126
文章
297456
阅读量
42
订阅数
自动驾驶 Apollo 源码分析系列,感知篇(六):车道线 Dark SCNN 算法简述及车道线后处理代码细节简述
车道线检测是 ADAS 领域和高级别自动驾驶都非常重要的一环,属于环境感知和定位中的核心项。 人可以轻易分辨道路上的车道线,但是对于机器而言,却非常的难,人脑有先验知识,有极速的上下文理解能力,但机器而言只有一张 2 维的图片,然后从中寻找有意义的特征,再拟合成曲线表达式的形式。 车道线检测的研究由来已久,大概分 2 种算法流派:
Frank909
2022-05-10
2.7K0
自动驾驶 Apollo 源码分析系列,感知篇(七):Lidar 障碍物检测基本流程
Apollo 系统传感器是以 Lidar 为主的,本文整理在 Apollo 6.0 中 Lidar 的基本代码流程。
Frank909
2021-12-06
1.5K0
自动驾驶 Apollo 源码分析系列,感知篇(三):红绿灯检测和识别
人在驾驶过程中会注意红绿灯的信息,而自动驾驶更离不开红绿灯信息,有了红绿灯信息,自动驾驶车辆才能更好地与车路进行交互。本篇分析 Apollo 6.0 中红绿灯检测和识别中的相关算法逻辑及部分代码实现。
Frank909
2021-12-06
2.5K0
自动驾驶Apollo源码分析系列感知篇(六):车道线Dark SCNN算法及车道线后处理代码简述
车道线检测是 ADAS 领域和高级别自动驾驶都非常重要的一环,属于环境感知和定位中的核心项。 人可以轻易分辨道路上的车道线,但是对于机器而言,却非常的难,人脑有先验知识,有极速的上下文理解能力,但机器而言只有一张 2 维的图片,然后从中寻找有意义的特征,再拟合成曲线表达式的形式。 车道线检测的研究由来已久,大概分 2 种算法流派:
Frank909
2021-03-08
3K0
死嗑YOLO系列(三),YOLOv3风月无边
YOLOv2 的时候,作者在 YOLOv1 的基础上运用了许多有效的 tricks,所以展示了它的 better、faster、stronger 因素,到了 YOLOv3 的时候,这个模型仍然在进化,保持速度的同时,把准确率给提升了许多。
Frank909
2020-12-08
7270
死磕YOLO系列,YOLOv2的自我修养
YOLO 在当时是非常不错的算法,速度极快,但明显的缺陷就是精度问题特别是小尺寸目标检测问题上。
Frank909
2020-08-31
7650
程序员的数学--用贝叶斯定理来推断一个案子
因为可能性是个主观感受,没有办法量化,所以在数学中一般会问年不群是正人君子的概率有多高?
Frank909
2020-08-19
3540
死磕YOLO系列,不会 AI没关系,用OpenCV 调用YOLO 做目标检测
对于视觉工程师而言,这当然是个小问题。可术业有专攻,不一定每个程序员都懂 AI 算法,那肯定就有一种方法把算法当成一个黑盒子,处理好输入输出就好了。
Frank909
2020-07-14
4.5K0
死磕YOLO系列,YOLOv1 的大脑、躯干和手脚
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
Frank909
2019-11-21
9270
用Pytorch自建6层神经网络训练Fashion-MNIST数据集,测试准确率达到 92%
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
Frank909
2019-09-18
3.1K0
【机器学习入门】决策树的原理
决策树(Decision Tree) 是一种数据结构,可以用来分类和回归,决策树是数据结构,但构建决策树有一系列的算法,决策树的核心之一就是利用算法构建最佳的决策树,以达到在训练数据和测试数据都表现优秀的效果。
Frank909
2019-05-14
5070
【机器学习】快速有效理解 K-Means 算法
无监督学习指的是数据没有标签,也就是说我们只有数据的特征,但并不知道这些数据都是什么,无监督学习算法或者是模型需要从这样的数据中学习给数据按照某种规律进行分类的能力,或者是找出不同特征之间的关联性等等.
Frank909
2019-01-14
9260
【深度学习】经典神经网络 VGG 论文解读
VGG 在深度学习领域中非常有名,很多人 fine-tune 的时候都是下载 VGG 的预训练过的权重模型,然后在次基础上进行迁移学习。VGG 是 ImageNet 2014 年目标定位竞赛的第一名,图像分类竞赛的第二名,需要注意的是,图像分类竞赛的第一名是大名鼎鼎的 GoogLeNet,那么为什么人们更愿意使用第二名的 VGG 呢?
Frank909
2019-01-14
1.5K0
【深度学习】经典神经网络 ResNet 论文解读
ResNet 是何凯明团队的作品,对应的论文 《Deep Residual Learning for Image Recognition》是 2016 CVPR 最佳论文。ResNet 的 Res 也是 Residual 的缩写,它的用意在于基于残差学习,让神经网络能够越来越深,准确率越来越高。
Frank909
2019-01-14
2.3K0
【深度学习】R-CNN 论文解读及个人理解
本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》,翻译过来就是针对高准确度的目标检测与语义分割的多特征层级,通俗地来讲就是一个用来做目标检测和语义分割的神经网络。
Frank909
2019-01-14
6290
【深度学习】Batch Normalizaton 的作用及理论基础详解
对于 Batch Normalization 的知识最原始的出处来源于《Batch Normalization:Accelerating Deep Network Trainning by Reducing Internal Covariate Shift》这篇论文。
Frank909
2019-01-14
6830
用 PyTorch 从零创建 CIFAR-10 的图像分类器神经网络,并将测试准确率达到 85%
一般,深度学习的教材或者是视频,作者都会通过 MNIST 这个数据集,讲解深度学习的效果,但这个数据集太小了,而且是单色图片,随便弄些模型就可以取得比较好的结果,但如果我们不满足于此,想要训练一个神经网络来对彩色图像进行分类,可以不可以呢?
Frank909
2019-01-14
9.9K0
【深度学习】轻量级神经网络 SqueezeNet 讲解
在深度学习领域,人们一般把注意力集中在如何提高神经网络的准确度上,所以,神经网络的层次越来越深,参数也越来越多,但带来的问题就是神经网络对于硬件的要求越来越高,但在嵌入式硬件上比如手机、自动驾驶的计算平台,这将很吃力,所以,有一些人会将精力放在如何精简和优化网络模型上,以便它们能够比较顺利运行在硬件条件有限的嵌入式设备上面。
Frank909
2019-01-14
2.5K0
【深度学习】CNN 中 1x1 卷积核的作用
最近研究 GoogLeNet 和 VGG 神经网络结构的时候,都看见了它们在某些层有采取 1x1 作为卷积核,起初的时候,对这个做法很是迷惑,这是因为之前接触过的教材的例子中最小的卷积核是 3x3 ,那么,1x1 的卷积核有什么意义呢?
Frank909
2019-01-14
9840
【Tensorflow】数据及模型的保存和恢复
如果你是一个深度学习的初学者,那么我相信你应该会跟着教材或者视频敲上那么一遍代码,搭建最简单的神经网络去完成针对 MNIST 数据库的数字识别任务。通常,随意构建 3 层神经网络就可以很快地完成任务,得到比较高的准确率。这时候,你信心大增,准备挑战更难的任务。
Frank909
2019-01-14
8880
点击加载更多
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档