爱吃肉的鹏

Ultra Fast Deep Lane Detection with HybridAnchor Driven Ordinal Classification【车道线检测论文个人解读】

论文地址：https://arxiv.org/abs/2206.07389

代码：https://github.com/cfzd/Ultra-Fast-Lane-Detection-v2

1.文章要解决的问题：如何处理遮挡和极端光照下的场景是车道线检测任务中的难点。

2.提出方法：

·基于anchor-driven算法来表示车道线,可以解决有效性问题。

row anchors:来表示ego lanes【在side laned表现不好】

column anchors:来表示side lanes【在ego lande表现不好】

hybird anchors(扩展的基于anchors的方法)：混合row anchors和column anchors进行检测--解决放大误差问题

·基于分类方法学习车道线坐标，可以获得与输入一样大的感受野，缓解遮挡问题。

·两个loss:分类loss，数学期望loss

3.row-anchor:行锚点是预定义的稀疏行位置，可以用row-anchor上的坐标来表示车道线（以基于分类的方式）。

1 介绍

2 相关工作

2.1采用自下向上的车道线检测模型

2.2采用自顶向下的车道线检测模型

3 超快车道线检测

3.1 采用anchors表示车道线

3.2 anchor-driven 网络设计

3.3 有序分类loss(训练部分)

3.4 网络推理

3.5 分析与讨论

1 介绍

车道线检测是自动驾驶与ADAS任务中基本内容，主要就是检测道路中车道线以及位置。虽然基于深度学习方面已经取得了很大的成功，但仍然存在很多问题以及挑战。

首先第一个问题就是有效性，在实际的基于计算机视觉的车道线检测算法中，大多数的方法是基于图像分割，这样的方法就是检测慢！

除了效率问题，另一个就是no-visual-clue(非视觉线索)，如图1中的车道线检测任务，图中说明了展示了不同的车道线检测任务，车道线的遮挡以及光照等都会是挑战。车道线检测的目的就是无论车道线是否遮挡，都是为了识别车道线的位置【这就是要解决的问题】。

因此如何处理遮挡和极端光照下的场景是车道线检测任务中的一个难点。

为了解决这一问题，一些额外的线索将被引入，比如路的形状、车头朝向、车道线没有被遮挡的端点等等都是可以被检测的。而为了可以使用上面说到的这样线索(实际就是信息)，方法可以是扩大感受野以利用更多信息【因为你感受野越大，那么你能捕捉到的信息也就更多】。

这也带来了一个问题：我们能否在车道线检测任务中快速找到具有大感受野的全局信息。所以作者提出了稀疏的自上而下(top-down)算法去处理效率以及非视觉线索(no-visual-clue)的问题。

首先文本提出了一个row-anchor-driven的方法来表示车道线【就是一个基于anchor的方法】。车道线可以由一系列预定义行锚上的坐标表示(predefined row anchors)【注：就和yolo一样采用一些预先设定好的anchors】,如图3，该图展示了row anchor系统，row achors是预先设定的稀疏行位置(row locations)，用row anchors坐标来表示车道线。当车道线可以用一些关键点所表示时，有效性问题也就解决了。

第二，我们提出了基于分类方式学习车道线坐标，该方法可以获得与输入一样大的感受野，并可以缓解no-visual-clue的问题【遮挡问题】。

另外，本文扩展了车道线检测方法，方法为row-achors扩展到hybird anchor(混合anchor)系统。如图2a,2b，根据观察发现，采用row anchors方法并不能很好的适用于所有种类的车道检测中，side lanes的定位准确率就要比ego langes的低一些【图2的a是在CULane数据集中各车道种类的定义，在row anchor中ego lane种类表现好，而在图c的column anchor中side表现较好】文中将这种现象称为“放大定位误差问题(放大定位误差问题)”。而这种问题会使得row achors难以识别水平车道(side lanes)，column anchor难以定位垂直车道(ego lanes)。因此提出hybrid achors【就是将row和column混合】，特别的使用row anchors识别ego lanes，用column anchors识别side lanes。

为了可以应对全局信息的预测，本文提出了基于分类方式的车道线坐标学习。不同类别表示不同的坐标。本文中进一步将原始分类转化为有序分类，相邻分类中，相邻类别之间相近的并且有关系的，这是与原始分类不同的。比如在ImageNet中第7类(黄貂鱼)与第8类公鸡(这两个类就没有关系)。而本文的classes是排序好的，比如第8类车道坐标在空间上总是位于第7类车道坐标的右侧。类的空间是连续的，例如，像第7.5类这样的非整数类是有意义的，并且它可以被视为第7和第8类之间的中间类。为了提出有序分类，本文提出了两个loss函数对类别间的关系进行建模，这两个loss为分类loss和数学期望loss。使用有序分类的关系性和空间的连续性，我们可以采用数学期望替换预测结果中连续类别的最大值。

文章贡献：

1)提出了一种基于anchor的检测车道线的方法，车道线的坐标可以用基于分类的形式学习。

2）提出hybird achor方法(row 和column)，降低最大误差问题。基于车道线顺序关系，使用ordianl classification方法

3）本文算法在速度和性能上达到sota，本文最快模型可以达到300+ FPS。

2 相关工作

【第二章就不在分析，这里无非就是综述一下研究现状】

2.1采用自下向上的车道线检测模型

2.2采用自顶向下的车道线检测模型

3 超快车道线检测

这一部分作者主要是讨论实现的一些细节。首先是证明所提出的混合锚系统(hybrid anchor system)车道的坐标表示，然后是展示了我们所设计的深度网络框架和相应的顺序分类loss。最后，阐述了复杂性分析。

3.1 采用anchors表示车道线

为了可以表示车道线，在图3中我们介绍了一种row anchor。车道线在row anchor中将用点表示【我这里的理解就是和yolo一样，将特征图划分很多网格，每个网格内设置anchor，只不过这个是采用的行anchor,一行是一个anchor,每个cell内用point表示有车道线】。但row anchor可能会带来放大位置误差问题，可以看图2【这个在第一章内有说到过】，而具体带来这种误差问题的原因可以看图5。因此提出了一种扩展的row anchor系统，叫hybird anchor。

【图5说明了扩大位置误差问题。蓝色区域表示没有anchor系统的理想位置误差带，紫色区别表示通过anchor系统产生的扩大误差带。可以看到当车道线与anchors直接的夹角越小的时候，位置误差将会变大，因为夹角接近为0.同理这情况也会发生在column anchors中】

hybird anchors，针对不同的车道线，使用不同的anchors 系统【row 或者column】来减少放大位置误差。规则如下：

一条车道只能分配一种锚点【这就像yolo中某个目标分配一种anchor】，并选择该车道更垂直的锚点类型【这就也像yolo中anchor和目标匹配的问题，可以匹配上称为ground truth,这里的更垂直是想更接近于图五中的理想位置误差ε】。实际上，像CULane和TuSimple数据集仅仅标注了两个ego lane和两个side lane。用row anchors来表示ego lanes，用column anchors来表示side anchors，放大位置误差用hybrid anchor解决。

使用混合锚系统，我们可以将车道表示为锚上的一系列坐标，如图4.row anchor表示ego lanes，column anchor表示side lanes，混合anchors则可以由图4右边4个矩阵对应4个车道线。

【图4的蓝线、紫线为ego lane，y1~yn是row anchor上对应的y轴坐标，n是row anchor的数量，那么车道线在每行anchor上的坐标也就能表示为右边的矩阵，同理column也是一样(缺少的位置用-1表示，意思就是没有left side lane)】

然后我们计算车道和每个anchor之间的线-线交叉点(这些交叉点就是车道在anchor上的坐标了)，车道在图像中可以被固定尺寸的目标T来表示，这个T就是上面说的坐标矩阵（这个矩阵T内的每个元素就是坐标），长度为 $N_{row}\times N_{r}^{lane}+N_{col}\times N_{c}^{lane}$ .T又可以被分为两个部分， $T^{r}$ 和 $T^{c}$ 分别代表row anchor和column anchor。

3.2 anchor-driven 网络设计

借助hybird anchor表示车道，我们设计了的网络通过分类去学习固定尺寸目标 $T^{r}$ 和 $T^{c}$ ，为了分类学习 $T^{r}$ 和 $T^{c}$ ，我们将 $T^{r}$ 和 $T^{c}$ 中的不同坐标映射到不同的类别【也就是每个类分别对应相应的坐标】。假设 $T^{r}$ 和 $T^{c}$ 是标准的(0~1或为-1)，类的数量分别为 $N_{dim}^{r}$ 和 $N_{dim}^{c}$ 。那么映射关系为：

式子中的 $T_{cls}^{r}$ 和 $T_{cls}^{c}$ 表示为坐标类label的映射【我这里的理解是：row anchor中的目标T，i,j表示 $T_{cls}^{r}$ 中的第i行第j列为什么类以及坐标信息，和yolo中的标签匹配有些类似】。我们可以将混合锚点(hybrid anchor)上的坐标学习(learning of coordinate)转换为两个维度分别为 $N_{dim}^{r}$ 和 $N_{dim}^{c}$ 的分类问题。针对没有车道线的情况，也就是T为-1的时候，我们使用附加的分类来表示：

$T_{ext}^{r}$ 是坐标存在时的类标签【可以看出当Tr不为-1也就是存在lane的时候为1否则为0，这里的i表示行，j表示列数=分配给row anchor车道数 $N_{lane}^{r}$ 】同理column anchor也是一样的。

$T_{ext}^{r}$ 和 $T_{ext}^{c}$ 有两个分支即位置(localization)和存在(existence)分支。此时假设深层特征为X，那么网络可以写为下式：

P是localization，E是existence,f是分类器，flatten就是平铺操作【就是我们分类网络最后需要将特征x平铺的操作，然后再进行分类】。输出的P和E均包含两个部分( $P^{r}$ , $P^{c}$ ; $E^{r}$ , $E^{c}$ )。 $P^{r}$ 和 $P^{c}$

的size为 $N_{lane}^{r}\times N_{row}\times N_{dim}^{r}$ 和 $N_{lane}^{c}\times N_{col}\times N_{dim}^{c}$ ，其中 $N_{dim}^{r}$ 和 $N_{dim}^{c}$ 是行和列锚点的映射分类维度【我认为就是说最终分多少个类】。 $E^{r}$ 和 $E^{c}$ 的维度均为 $N_{lane}^{r}\times N_{row}\times 2$ 和 $N_{lane}^{c}\times N_{col}\times 2$ 【这里最后的维度是2，我认为就是目标存在或者不存在】。这里作者给出了为什么4式中采用平铺操作进行分类，而不是采用卷积网络中的全局平均池化，这是因为作者发现在基于分类车道线检测网络中空间信息是非常重要的，而如果采用全局平均池化会限制这部分信息，表现不好。

3.3 有序分类loss(训练部分)

正如我们在等式1中看到的，一个基本性质是上述分类网络中的类具有顺序关系。在我们的分类网络中，相邻类被定义为具有紧密的有序关系。

1.基于分类loss定义如下：

可以看到分类loss有两个部分，均采用的交叉熵(通常分类问题采用交叉熵较多，可以度量两个数据分布的关系或者是距离)，第一部分i表示分配给row anchor第i个lane，j表示就表示行(row anchor)的数量，则 $P_{i,j}^{r}$ 可以表示为row anchor中预测的第i个lane，在第j行的预测值与真实值T的交叉熵，同理后面一部分是column anchor的。

预测的期望值可以被视为平均投票结果。为了方便起见，我们将期望表示为：

式中的 $N_{dim}^{r}$ 是行锚点的映射分类维度，Prob是经过softmax产生的概率值，也就是得出row中每个lane的概率.[·] 是索引操作.

2.期望loss定义为：

L1为平滑L1，也是分两部分，前面是计算row anchor预测的期望和真实值的距离，后面是column anchor的。图7是期望loss示意图，我们可以看到，期望损失可以将预测分布的数学期望推向ground truth位置，从而有利于车道的定位（最后一个图的红色曲线就是把预测分布推向ground truth，什么叫推向呢，就是平常求loss的时候让预测值更接近真实值，也就是让loss更小，这里的的预测值是概率值，GT是onehot的形式）。

此外，existence分支 $L_{ext}$ 被定义为：

总的Loss为：

总的loss=分类loss+期望loss+ext_loss

分类loss：就是解决分类问题，可以获得每个车道位置概率问题

期望loss：预测的数据分布更接近与真实的数据分布，这样可以获得具体车道的位置

existence loss:感觉和前面分类作用有些像，而且应该也是可以加快收敛速度。

3.4 网络推理

这一部分主要是介绍如何在整个推理阶段获取检测结果。以row anchor为例，假设 $P_{i,j}^{r}$ (预测值)和 $E_{i,j}^{r}$ (有无目标存在)是被第j个anchor预测的第i个车道，前者P的输出长度为 $N_{dim}^{r}$ 后者E为2(有无目标)。车道每个位置的概率可以写成：：

然后利用预测分布的数学期望值获得车道的位置。此外，将根据existence分支的预测过滤掉对缺失车道（就是没有该类型车道）的预测：

将最终获得的Loc调整到输入图像上，图6展示了网络结构。

【这个有两个分支，上面提到过。首先是通过backbone进行特征提取得到特征X，然后经过分类器f进行分类，此时出现两个分支（也就是上面的4式）：

分支1(E)：以row为例shape为 $N_{lane}^{r}\times N_{row}\times 2$ ，可以理解为有 $N_{lane}^{r}$ 个目标，每个目标又有 $N_{row}$ 行,每行又有两列第一列式表示没有目标，第二列为有目标存在，这就有些像yolo中obj_mask和noobj_mask，这样我们知道预测的哪个类在哪个anchor中有没有目标了

分支2(P):以row为例shape为 $N_{lane}^{r}\times N_{row}\times N_{dim}^{r}$ ，表示位置预测的分支，在 $N_{dim}^{r}$ 这个维度上可以反映坐标问题。取出每个lane的预测结果先进行softmax获得位置概率，然后用式12求数学期望，在将输出的xi进行缩放到原图(就得到了每个Lane的位置概率)，在等式12中过滤掉不存在的车道【应该是和E中的mask相乘就可以】】

3.5 分析与讨论

在本节中，我们首先分析了我们方法的复杂性，并给出了我们的方法能够实现超快速度的原因。为了分析复杂性，我们使用分割作为基线。我们的公式（以行锚为例）和分割之间的差异如图8所示。在基于anchor的车道线检测中，下面的蓝色正方体就是通过backbone得到的特征X，然后在通道维度C上划分cell,这里的C维度应该就等于类的数量，所以可以得到Lane1,lan2...，而这里特征层的h应该是等于row anchor的行数的，每个cell内如果有目标就可以知道这是哪种lane，也可以知道他具体位置(坐标)，特征X的宽度为w+1(最后一个维度应该是表示是否有目标),而图像分割是像素级别上分类，通道维度是C+1(通常含一个背景类).

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt 人工智能
一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
[实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用 pytorch 深度学习人工智能机器学习 python 优化器
文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
【大模型应用开发动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅计算科学神经计算深度学习神经网络大数据人工智能大型语言模型 AI AGI LLM Java Python 架构设计 Agent RPA
【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
吴恩达深度学习笔记(30)-正则化的解释极客Array
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
Rust 所有权简介东离与糖宝 rust 后端 rust 开发语言
文章目录发现宝藏1.所有权基本概念2.所有权规则3.变量作用域4.栈与堆4.1栈（Stack）4.2堆（Heap）5.String类型5.1String类型5.2String的内存分配5.3所有权与内存管理5.4String与切片6.变量与数据交互方式6.1移动（Move）6.2.克隆（Clone）7.所有权与函数7.1.传递参数7.2.返回值总结发现宝藏前些天发现了一个巨牛的人工智能学习网站，通
深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
计算机视觉中，Pooling的作用 Wils0nEdwards 计算机视觉人工智能
在计算机视觉中，Pooling（池化）是一种常见的操作，主要用于卷积神经网络（CNN）中。它通过对特征图进行下采样，减少数据的空间维度，同时保留重要的特征信息。Pooling的作用可以归纳为以下几个方面：1.降低计算复杂度与内存需求Pooling操作通过对特征图进行下采样，减少了特征图的空间分辨率（例如，高度和宽度）。这意味着网络需要处理的数据量会减少，从而降低了计算量和内存需求。这对大型神经网络
OpenCV图像处理技术（Python）——入门森屿_ opencv
©FuXianjun.AllRightsReserved.OpenCV入门图像作为人类感知世界的视觉基础，是人类获取信息、表达信息的重要手段，OpenCV作为一个开源的计算机视觉库，它包括几百个易用的图像成像和视觉函数，既可以用于学术研究，也可用于工业邻域，它于1999年由因特尔的GaryBradski启动，OpenCV库主要由C和C++语言编写，它可以在多个操作系统上运行。1.1图像处理基本操作
机器学习流形数据降维：UMAP 降维算法小嗷犬 Python 机器学习 #数据分析及可视化机器学习算法人工智能
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录UMAP简介理论基础特点与优势应用场景在Python中使用UMAP安装umap-learn库使用UMAP可视化手写数字数据集UMAP简介UMAP（UniformManifoldApproximatio
损失函数与反向传播 Star_. PyTorch pytorch 深度学习 python
损失函数定义与作用损失函数(lossfunction)在深度学习领域是用来计算搭建模型预测的输出值和真实值之间的误差。1.损失函数越小越好2.计算实际输出与目标之间的差距3.为更新输出提供依据（反向传播)常见的损失函数回归常见的损失函数有：均方差（MeanSquaredError，MSE）、平均绝对误差（MeanAbsoluteErrorLoss，MAE）、HuberLoss是一种将MSE与MAE
如何做好人生的选择题？百科全书式天才——赫伯特·西蒙给你答案伽马有话说
赫伯特·西蒙是谁？想必知道的人非常少。但当看到他的履历后，相信没有人再怀疑他是个“天才”。西蒙出生于1916年6月15日，是个美国人，他的名字全称为赫伯特·亚历山大·西蒙，在2001年2月9日与世长辞，在这84年的岁月中，西蒙以27岁时取得的政治学博士学位为开端，先后步入了政治学、管理学、认知心理学、信息科学、人工智能、科学哲学、应用数学、统计学、运筹学、控制论、数理经济学、公共管理等领域，在这些
软件测试/测试开发/全日制 |利用Django REST framework构建微服务霍格沃兹-慕漓 django 微服务 sqlite
霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员，课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、更系统化的学习体验，课程还增加了名企私教服务内容，不仅有名企经理为你1v1辅导，还有行业专家进行技术指导，针对性地解决学习、工作中遇到的难题。让找
【深度学习】训练过程中一个OOM的问题，太难查了 weixin_40293999 深度学习深度学习人工智能
现象：各位大佬又遇到过ubuntu的这个问题么？现象是在训练过程中，ssh上不去了，能ping通，没死机，但是ubunutu的pc侧的显示器，鼠标啥都不好用了。只能重启。问题原因：OOM了95G，尼玛！！！！pytorch爆内存了，然后journald假死了，在journald被watchdog干掉之后，系统就崩溃了。这种规模的爆内存一般，即使被oomkill了，也要卡半天的，确实会这样，能不能配
cmd泛滥_与您的后泛滥同事见面：人工智能机器人 weixin_26644585 人工智能 leetcode
cmd泛滥Readytoswapyouroldcube-mateforadisembodiedAI?IPsoftCEOChetanDube,creatorofAIco-workerAMELIA,giveshistakeonthepost-COVIDofficelandscape.准备将您的旧立方体伙伴换成无形的AI？AIsoft同事AMELIA的创始人IPsoft首席执行官ChetanDube阐述
两种方法判断Python的位数是32位还是64位 sanqima Python编程电脑 python 开发语言
Python从1991年发布以来，凭借其简洁、清晰、易读的语法、丰富的标准库和第三方工具，在Web开发、自动化测试、人工智能、图形识别、机器学习等领域发展迅猛。 Python是一种胶水语言，通过Cython库与C/C++语言进行链接，通过Jython库与Java语言进行链接。 Python是跨平台的，可运行在多种操作系统上，包括但不限于Windows、Linux和macOS。这意味着用Py
全自动解密解码神器 — Ciphey K'illCode python_模块 python vscode
Ciphey是一个使用自然语言处理和人工智能的全自动解密/解码/破解工具。简单地来讲，你只需要输入加密文本，它就能给你返回解密文本。就是这么牛逼。有了Ciphey，你根本不需要知道你的密文是哪种类型的加密，你只知道它是加密的，那么Ciphey就能在3秒甚至更短的时间内给你解密，返回你想要的大部分密文的答案。下面就给大家介绍Ciphey的实战使用教程。1.准备开始之前，你要确保Python和pip已
埃隆·马斯克表示特斯拉“没有必要”授权 xAI 模型喜好儿网人工智能 AIGC 马斯克
埃隆·马斯克近日在社交媒体上对《华尔街日报》的一篇报道进行了反驳。该报道指出，马斯克旗下的电动汽车公司特斯拉可能与人工智能初创公司xAI达成了一项收入分享协议，以便特斯拉能够使用xAI的人工智能模型。据称，这些模型将被集成到特斯拉的全自动驾驶（FSD）软件中，并可能用于开发特斯拉汽车的语音助手以及人形机器人擎天柱的软件。喜好儿网然而，马斯克否认了这一说法，他在社交媒体平台上表示，尽管特斯拉确实与x
Spring4.1新特性——综述 jinnianshilongnian spring 4.1
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
Schema与数据类型优化 annan211 数据结构 mysql
目前商城的数据库设计真是一塌糊涂，表堆叠让人不忍直视，无脑的架构师，说了也不听。在数据库设计之初，就应该仔细揣摩可能会有哪些查询，有没有更复杂的查询，而不是仅仅突出很表面的业务需求，这样做会让你的数据库性能成倍提高，当然，丑陋的架构师是不会这样去考虑问题的。选择优化的数据类型 1 更小的通常更好更小的数据类型通常更快，因为他们占用更少的磁盘、内存和cpu缓存，
第一节 HTML概要学习 chenke html Web css
第一节 HTML概要学习 1. 什么是HTML HTML是英文Hyper Text Mark-up Language(超文本标记语言)的缩写，它规定了自己的语法规则，用来表示比“文本”更丰富的意义，比如图片，表格，链接等。浏览器（IE,FireFox等）软件知道HTML语言的语法，可以用来查看HTML文档。目前互联网上的绝大部分网页都是使用HTML编写的。打开记事本输入一下内
MyEclipse里部分习惯的更改 Array_06 eclipse
继续补充中---------------------- 1.更改自己合适快捷键windows-->prefences-->java-->editor-->Content Assist--> Activation triggers for java的右侧“.”就可以改变常用的快捷键选中 Text
近一个月的面试总结 cugfy 面试
本文是在学习中的总结，欢迎转载但请注明出处：http://blog.csdn.net/pistolove/article/details/46753275 前言打算换个工作，近一个月面试了不少的公司，下面将一些面试经验和思考分享给大家。另外校招也快要开始了，为在校的学生提供一些经验供参考，希望都能找到满意的工作。
HTML5一个小迷宫游戏 357029540 html5
通过《HTML5游戏开发》摘抄了一个小迷宫游戏，感觉还不错，可以画画，写字，把摘抄的代码放上来分享下，喜欢的同学可以拿来玩玩！ <html> <head> <title>创建运行迷宫</title> <script type="text/javascript"
10步教你上传githib数据张亚雄 git
官方的教学还有其他博客里教的都是给懂的人说得，对已我们这样对我大菜鸟只能这么来锻炼，下面先不玩什么深奥的，先暂时用着10步干净利索。等玩顺溜了再用其他的方法。操作过程（查看本目录下有哪些文件NO.1）ls （跳转到子目录NO.2）cd+空格+目录（继续NO.3）ls （匹配到子目录NO.4）cd+ 目录首写字母+tab键+（首写字母“直到你所用文件根就不再按TAB键了”）（查看文件
MongoDB常用操作命令大全 adminjun mongodb 操作命令
成功启动MongoDB后，再打开一个命令行窗口输入mongo，就可以进行数据库的一些操作。输入help可以看到基本操作命令，只是MongoDB没有创建数据库的命令，但有类似的命令如：如果你想创建一个“myTest”的数据库，先运行use myTest命令，之后就做一些操作（如：db.createCollection('user')）,这样就可以创建一个名叫“myTest”的数据库。一
bat调用jar包并传入多个参数 aijuans
下面的主程序是通过eclipse写的： 1.在Main函数接收bat文件传递的参数（String[] args）如： String ip =args[0]; String user=args[1]; &nbs
Java中对类的主动引用和被动引用 ayaoxinchao java 主动引用对类的引用被动引用类初始化
在Java代码中，有些类看上去初始化了，但其实没有。例如定义一定长度某一类型的数组，看上去数组中所有的元素已经被初始化，实际上一个都没有。对于类的初始化，虚拟机规范严格规定了只有对该类进行主动引用时，才会触发。而除此之外的所有引用方式称之为对类的被动引用，不会触发类的初始化。虚拟机规范严格地规定了有且仅有四种情况是对类的主动引用，即必须立即对类进行初始化。四种情况如下：1.遇到ne
导出数据库提示 outfile disabled BigBird2012 mysql
在windows控制台下，登陆mysql，备份数据库： mysql>mysqldump -u root -p test test > D:\test.sql 使用命令 mysqldump 格式如下： mysqldump -u root -p *** DBNAME > E:\\test.sql。注意：执行该命令的时候不要进入mysql的控制台再使用，这样会报
Javascript 中的 && 和 || bijian1013 JavaScript &&||
准备两个对象用于下面的讨论 var alice = { name: "alice", toString: function () { return this.name; } } var smith = { name: "smith",
[Zookeeper学习笔记之四]Zookeeper Client Library会话重建 bit1129 zookeeper
为了说明问题，先来看个简单的示例代码： package com.tom.zookeeper.book; import com.tom.Host; import org.apache.zookeeper.WatchedEvent; import org.apache.zookeeper.ZooKeeper; import org.apache.zookeeper.Wat
【Scala十一】Scala核心五：case模式匹配 bit1129 scala
package spark.examples.scala.grammars.caseclasses object CaseClass_Test00 { def simpleMatch(arg: Any) = arg match { case v: Int => "This is an Int" case v: (Int, String)
运维的一些面试题 yuxianhua linux
1、Linux挂载Winodws共享文件夹 mount -t cifs //1.1.1.254/ok /var/tmp/share/ -o username=administrator,password=yourpass 或 mount -t cifs -o username=xxx,password=xxxx //1.1.1.1/a /win
Java lang包-Boolean BrokenDreams boolean
Boolean类是Java中基本类型boolean的包装类。这个类比较简单，直接看源代码吧。 public final class Boolean implements java.io.Serializable,
读《研磨设计模式》-代码笔记-命令模式-Command bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.List; /** * GOF 在《设计模式》一书中阐述命令模式的意图：“将一个请求封装
matlab下GPU编程笔记 cherishLC matlab
不多说，直接上代码 gpuDevice % 查看系统中的gpu,,其中的DeviceSupported会给出matlab支持的GPU个数。 g=gpuDevice(1); %会清空 GPU 1中的所有数据,,将GPU1 设为当前GPU reset(g) %也可以清空GPU中数据。 a=1; a=gpuArray(a); %将a从CPU移到GPU中 onGP
SVN安装过程 crabdave SVN
SVN安装过程 subversion-1.6.12 ./configure --prefix=/usr/local/subversion --with-apxs=/usr/local/apache2/bin/apxs --with-apr=/usr/local/apr --with-apr-util=/usr/local/apr --with-openssl=/
sql　行列转换 daizj sql 行列转换行转列列转行
行转列的思想是通过case when 来实现列转行的思想是通过union all 来实现下面具体例子：假设有张学生成绩表(tb)如下: Name Subject Result 张三语文　　74 张三数学　　83 张三物理　　93 李四语文　　74 李四数学　　84 李四物理　　94 */ /* 想变成姓名 &
MySQL--主从配置 dcj3sjt126com mysql
linux下的mysql主从配置：说明：由于MySQL不同版本之间的(二进制日志)binlog格式可能会不一样，因此最好的搭配组合是Master的MySQL版本和Slave的版本相同或者更低， Master的版本肯定不能高于Slave版本。（版本向下兼容） mysql1 : 192.168.100.1 //master mysq
关于yii 数据库添加新字段之后model类的修改 dcj3sjt126com Model
rules: array('新字段','safe','on'=>'search') 1、array('新字段', 'safe')//这个如果是要用户输入的话，要加一下， 2、array('新字段', 'numerical'),//如果是数字的话 3、array('新字段', 'length', 'max'=>100),//如果是文本 1、2、3适当的最少要加一条，新字段才会被
sublime text3 中文乱码解决 dyy_gusi Sublime Text
sublime text3中文乱码解决原因：缺少转换为UTF-8的插件目的：安装ConvertToUTF8插件包第一步：安装能自动安装插件的插件，百度“Codecs33”，然后按照步骤可以得到以下一段代码： import urllib.request,os,hashlib; h = 'eb2297e1a458f27d836c04bb0cbaf282' + 'd0e7a30980927
概念了解：CGI，FastCGI，PHP-CGI与PHP-FPM geeksun PHP
CGI CGI全称是“公共网关接口”(Common Gateway Interface)，HTTP服务器与你的或其它机器上的程序进行“交谈”的一种工具，其程序须运行在网络服务器上。 CGI可以用任何一种语言编写，只要这种语言具有标准输入、输出和环境变量。如php,perl,tcl等。 FastCGI FastCGI像是一个常驻(long-live)型的CGI，它可以一直执行着，只要激活后，不
Git push 报错 "error: failed to push some refs to " 解决 hongtoushizi git
Git push 报错 "error: failed to push some refs to " . 此问题出现的原因是：由于远程仓库中代码版本与本地不一致冲突导致的。由于我在第一次git pull --rebase 代码后，准备push的时候，有别人往线上又提交了代码。所以出现此问题。解决方案： 1： git pull 2：
第四章 Lua模块开发 jinnianshilongnian nginx lua
在实际开发中，不可能把所有代码写到一个大而全的lua文件中，需要进行分模块开发；而且模块化是高性能Lua应用的关键。使用require第一次导入模块后，所有Nginx 进程全局共享模块的数据和代码，每个Worker进程需要时会得到此模块的一个副本（Copy-On-Write），即模块可以认为是每Worker进程共享而不是每Nginx Server共享；另外注意之前我们使用init_by_lua中初
java.lang.reflect.Proxy liyonghui160com
1.简介 Proxy 提供用于创建动态代理类和实例的静态方法（1）动态代理类的属性代理类是公共的、最终的，而不是抽象的未指定代理类的非限定名称。但是，以字符串 "$Proxy" 开头的类名空间应该为代理类保留代理类扩展 java.lang.reflect.Proxy 代理类会按同一顺序准确地实现其创建时指定的接口
Java中getResourceAsStream的用法 pda158 java
1.Java中的getResourceAsStream有以下几种： 1. Class.getResourceAsStream(String path) ： path 不以’/'开头时默认是从此类所在的包下取资源，以’/'开头则是从ClassPath根下获取。其只是通过path构造一个绝对路径，最终还是由ClassLoader获取资源。　　2. Class.getClassLoader.get
spring 包官方下载地址（非maven） sinnk spring
SPRING官方网站改版后，建议都是通过 Maven和Gradle下载，对不使用Maven和Gradle开发项目的，下载就非常麻烦，下给出Spring Framework jar官方直接下载路径: http://repo.springsource.org/libs-release-local/org/springframework/spring/ s
Oracle学习笔记(7) 开发PLSQL子程序和包 vipbooks oracle sql 编程
哈哈，清明节放假回去了一下，真是太好了，回家的感觉真好啊！现在又开始出差之旅了，又好久没有来了，今天继续Oracle的学习！这是第七章的学习笔记，学习完第六章的动态SQL之后，开始要学习子程序和包的使用了……，希望大家能多给俺一些支持啊！编程时使用的工具是PLSQL

Ultra Fast Deep Lane Detection with HybridAnchor Driven Ordinal Classification【车道线检测论文个人解读】

1 介绍

2 相关工作

2.1采用自下向上的车道线检测模型

2.2采用自顶向下的车道线检测模型

3 超快车道线检测

3.1 采用anchors表示车道线

3.2 anchor-driven 网络设计

3.3 有序分类loss(训练部分)

3.4 网络推理

3.5 分析与讨论

你可能感兴趣的:(自动驾驶,人工智能,深度学习,计算机视觉)