人生总可重来
人生总可重来

论文阅读4-综述文章：深度卷积神经网络在计算机视觉中的应用研究综述

目标检测

传统算法

传统算法Cascade + HOG/DPM + Haar/SVM大概意思就是使用一个固定大小的滑动窗口去截取固定窗口大小的图像，分别再进行特征匹配和分类。

深度学习算法

图像分类

传统是传统图像分类算法

主要使用ＳＩＦＴ，ＬＢＰ
等算法来手动提取特征，再将提取的特征用于
训练支持向量机（Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）等 分 类 器 进 行 分 类
取得的最好的错误率是28.2%

Ｒ-ＣＮＮ 模型

AlexNet 16.4%错误率
创新点：该模型采用relu来取代传统的sigmoid 和tanh函数作为神经元的非线性激活函数,并提出了dropout方法来减轻过拟合问题.

Ｃlarify提出使用反卷积网络对每个卷积层进行可视化，以次来分析每一层学习到的特征，据此改进网络，达到11.7%错误率

GoogleNet

创新点：Inception模块
8.2%

SPP-Net

创新点：空间金字塔池化

之前大部分卷积神经网络模型都要求输入图像大小固定， 因此需要对原始图像进行剪切， 这样将导致原始图像信息的丢失； 或者需要对图像的大小和长宽比进行调整， 这样会使图像产生扭曲变形。
因此， 空间金字塔池化的作用是对任意维数的输入均产生固定维数的输出， 从而使网络可以接受任意大小的图像作为输入.

论文阅读4-综述文章：深度卷积神经网络在计算机视觉中的应用研究综述_第1张图片

PRelu-Nets

4.94%
创新点：经网络模型有两点改进， 一是推广了传统的修正线性单元（Ｒ ｅ Ｌ Ｕ） ， 提出参数化
修正线性单元（Ｐ Ｒ ｅ Ｌ Ｕ） 。该激活函数可以适应性地学习修正单元的参数， 并且能够在额外计算成本可以忽略不计的情况下提高识别的准确率。同时， 该模型通过对修正线性单元（Ｒ ｅ Ｌ Ｕ／Ｐ Ｒ ｅ Ｌ Ｕ） 的建模，推导出了一套具有鲁棒性的初始化方法， 能够使得层数较多的模型（ 比如含有３ 0个带权层的模型） 收敛.

4.82%为 Batch normalization ， 将该训练方法运用于GoogleNet
提出的Spatioal transformer 旨在通过提高卷积神经网络对于图像空间不变性的学习能力， 来加强其图像分类的准确率.

ResNet

3.57%残差网络

目标检测

提片中物体定位 + 分类

R-CNN

使用selectiva search 这一非深度学习算法来提出待分类的候选区域， 然后将每个候选区域输入到卷积神经网络中提取特征， 接着将这些特征输入到线性支持向量机中进行分类。
为了使得定位更加准确，Ｒ － Ｃ ＮＮ中还训练了一个线性回归模型来对候选区域坐标进行修正， 该过程被称为Bounding Box Regession。
并且在大数据集上进行训练，小数据集上进行微调。

缺点：在 Ｒ － Ｃ ＮＮ模型中， 对于每张图像大约产生２０ ０ ０个候选区域， 而对于每张图像， 它的所有候选区域都要分别进行特征提取， 这就使得特征提取所消耗的时间成为总的测试时间的瓶颈。微软亚洲研究院的研究团队将 Ｓ Ｐ Ｐ －Ｎ ｅ ｔ运用于物体检测中， 并改进了 Ｒ － Ｃ ＮＮ 的这一缺陷。Ｓ Ｐ Ｐ －Ｎ ｅ ｔ针对用 Ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｖ ｅ ｓ ｅ ａ ｒ ｃ ｈ算法产生的候选区域， 将这些区域的坐标投射到最高层卷积层所输出的特征映射的对应位置上，然后把每个候选区域所对应的特征输入到空间金字塔池化层， 得到一个固定长度的特征表示。接下来的步骤与Ｒ － Ｃ ＮＮ相似， 都是将这些特征表示输入到全连接层、 将全连接层输出的特征输入到线性支持向量机进行分类以及使用Ｂ ｏ ｕ ｎ ｄ ｉ ｎ ｇ 　ｂ ｏ ｘ 　 ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ修正候选区域坐标。在Ｐ Ａ Ｓ Ｃ Ａ Ｌ 　 Ｖ Ｏ Ｃ上， 该网络取得了与Ｒ － Ｃ ＮＮ相近的准确率， 但是由于时间消耗大的卷积操作对于每张输入图像只进行了一次， 使得总的测试所用时间大大减少。

Fast R-CNN

与Ｒ － Ｃ ＮＮ中的卷积神经网络相比，Ｆ ａ ｓ ｔ 　 Ｒ － Ｃ ＮＮ对最后一个池化层进行了改进， 提出了Ｒ ｅ ｇ ｉ ｏ ｎ 　 ｏ ｆ 　 ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ（Ｒ ｏ Ｉ）ｐ ｏ ｏ ｌ ｉ ｎ ｇ层。这个层的作用与Ｓ Ｐ Ｐ －Ｎ ｅ ｔ用于物体检测网络中的空间金字塔池
化层相似， 作用都是对于任意大小的输入， 输出固定维数的特征向量， 只是 Ｒ ｏ Ｉ 　 ｐ ｏ ｏ ｌ ｉ ｎ ｇ层中只进行了单层次的空间块划分。这一改进使得Ｆ ａ ｓ ｔ 　 Ｒ － Ｃ ＮＮ与Ｓ Ｐ Ｐ －Ｎ ｅ ｔ一样， 可以将整张输入图像以及由Ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｖ ｅｓ ｅ ａ ｒ ｃ ｈ算法产生的候选区域坐标信息一起输入卷积神经网络中， 在最后一层卷积层输出的特征映射上对每个候选区域所对应的输出特征进行Ｒ ｏ Ｉ 　 ｐ ｏ ｏ ｌ ｉ ｎ ｇ， 从而不再需要对每个候选区域都单独进行一次卷积计算操作。除此之外，Ｆ ａ ｓ ｔ 　 Ｒ － Ｃ ＮＮ将卷积神经网络的最后一个ｓ ｏ ｆ ｔ ｍ ａ ｘ分类层改为两个并列的全连接层， 其中一层仍为ｓ ｏ ｆ ｔ ｍ ａ ｘ分类层， 另一层为Ｂ ｏ ｕ ｎ ｄ ｉ ｎ ｇ 　ｂ ｏ ｘ 　 ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｏ ｒ， 用于修正候选区域的坐标信息。在训练过程中，Ｆ ａ ｓ ｔ 　 Ｒ － Ｃ ＮＮ设计了一个多任务损失函数， 来同时训练用于分类和修正候选区域坐标信息的两个全连接层

DeepID-Net

改进了模型预训练方式， 提出了Ｂ ｏ ｕ ｎ ｄ ｉ ｎ ｇ 　ｂ ｏ ｘ 　 ｒ ｅ ｊ ｅ ｃ ｔ ｉ ｏ ｎ，Ｃ ｏ ｎ ｔ ｅ ｘ ｔ ｕ ａ ｌ 　 ｍ ｏ ｄ ｅ ｌ ｉ ｎ ｇ等新的网络训练步骤
设计了新的池化层， 叫作Ｄ ｅ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ 　 ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｅ ｄ 　 ｐ ｏ ｏ ｌ ｉ ｎ ｇ（Ｄ ｅ ｆ － ｐ ｏ ｏ ｌ ｉ ｎ ｇ） 层。这一池化层可以实现对图像局部信息的学习， 并使得模型能够更好地适应于输入图像中某些部件位置发生偏移的情况

Faster R-CNN

提出了候选区域网络，不再使selective search

Mask R-CNN
Detectron
YOLO
SSD

图像分割：
FCN
DeepLab

参考资料：
目标检测全概括网址
目标检测实现Papers with Code(Browse state-of-the-art)—这个里面包含很多深度估计和姿势估计的论文代码，看看
目标检测的github学习路径图-已经download

你可能感兴趣的:(每天一篇论文)

  • 【博士每天一篇论文-综述】Deep Echo State Network (DeepESN)_ A Brief Survey Better Bench 博士每天一篇文献深度ESNDeepESN深度状态回声网络类脑计算储层计算储备池储备层
    阅读时间：2023-11-221介绍年份：2017作者：C.Gallicchio比萨大学计算机科学系终身教授助理教授，A.Micheli，比萨大学计算机科学系期刊：ArXiv引用量：68这是两个大牛的论文，两位作者也是在2017到2018年期间发表了多篇ESN的研究。该文概述了DeepESN（深度回声状态网络）在开发、分析和应用方面的进展。DeepESN是一种专门用于处理时间数据的深度递归神经网络
  • 【博士每天一篇论文-技术综述】Machine Learning With Echo State Networks 一篇系统讲解ESN知识的五星文章 Better Bench 博士每天一篇文献机器学习人工智能储层计算储备池reservoir回声状态网络ESN
    阅读时间：2023-11-211介绍年份：2020作者：徐元超，曼尼托巴大学期刊：无引用量：无这篇文章是一篇技术报告，从递归神经网络（RNNs）引入到回声状态网络（ESNs）。说明了RNNs的局限性，并引入了储层计算和ESN的概念。非常系统详细的介绍了ESN的数学模型、属性（echostateproperty）、意义、训练方法、深度ESN的以、ESN的应用和局限性、以及未来的研究方向。2创新点这篇
  • 【博士每天一篇论文-算法】Optimal modularity and memory capacity of neural reservoirs Better Bench 博士每天一篇文献模块化神经网络储备池储层计算记忆能力
    阅读时间：2023-11-151介绍年份：2019作者：NathanielRodriguez印第安纳大学信息学、计算和工程学院，美国印第安纳州布卢明顿期刊：NetworkNeuroscience引用量：39这篇论文主要研究了神经网络的模块化与记忆性能之间的关系，提出记忆性能存在一个最佳模块化程度，即在局部凝聚性和全局连接性之间建立平衡。这种最佳模块化可以使神经网络具有更长的记忆能力。作者提出从神经
  • #每天一篇论文#235/365 DynamicFusion：非刚体场景实时重建与追踪 流浪机器人 每天一篇论文365
    DynamicFusion:ReconstructionandTrackingofNon-rigidScenesinReal-Timeprojectwebsite:http://grail.cs.washington.edu/projects/dynamicfusion摘要我们提出了第一个能够实时重建非刚性变形场景的稠密slam系统，通过融合从消费级传感器捕获的rgbd扫描。我们的dynamicf
  • 每天一篇论文 271/365 A Framework for Depth Estimation and Relative Localization of Ground Robots Using Com 流浪机器人 每天一篇论文365
    AFrameworkforDepthEstimationandRelativeLocalizationofGroundRobotsUsingComputerVision摘要分散式结构中的三维深度估计和相对位姿估计问题是需要多个视觉控制机器人协调的任务中出现的一个具有挑战性的问题。深度估计问题旨在恢复环境的三维信息。相对定位问题包括估计两个机器人之间的相对姿态、感知彼此的姿态或共享感知环境的信息。这
  • 每天一篇论文 333/365 Multi-object Monocular SLAM for Dynamic Environments 流浪机器人 每天一篇论文365
    Multi-objectMonocularSLAMforDynamicEnvironments每天一篇论文汇总list摘要动态环境下的多体单目SLAM在感知和状态估计方面仍然是一个长期的挑战。尽管存在理论上的解决方案，但实践却滞后，主要原因是缺乏动态参与者的稳健感知和预测模型。动态场景中的多体单目SLAM的典型挑战源于不可观测性问题，因为不可能从移动的单目摄像机中三角化运动对象。在物体运动的限制下
  • 每天一篇论文呢 340/365 M3D-RPN: Monocular 3D Region Proposal Network for Object Detection 流浪机器人 每天一篇论文365
    M3D-RPN:Monocular3DRegionProposalNetworkforObjectDetectionCodeDetNet:Designbackboneforobjectdetection摘要在三维环境中认识世界是城市自主驾驶的重要组成部分。一般来说，昂贵的激光雷达传感器和立体RGB成像的结合对于成功的3D目标检测算法来说是至关重要的，而单目图像方法的性能则大大降低。我们建议通过将单
  • 每天一篇论文302/365 A General and Adaptive Robust Loss Function 流浪机器人 每天一篇论文365
    AGeneralandAdaptiveRobustLossFunction摘要给出了Cauchy/Lorentzian，Geman-mccluer，Welsch/Leclerc，广义Charbonnier，Charbonnier/pseudo-Huber/L1-L2和L2损失函数的一个推广。通过引入鲁棒性作为一个连续参数，我们的损失函数允许基于鲁棒损失最小化的算法被推广，从而提高了诸如注册和聚类等
  • #每天一篇论文#（217/365）EDVR: Video Restoration with Enhanced Deformable Convolutional Networks 流浪机器人 每天一篇论文365
    原文EDVR:基于变卷积神经网络的视频重建摘要视频恢复任务，包括超分辨率、去模糊等，正引起计算机视觉界越来越多的关注。在NTIRE19挑战赛中发布了一个具有挑战性的基准名称DREDS。该方法从两个方面对现有方法提出了挑战：（1）如何在大运动情况下对齐多帧，以及（2）如何有效地融合不同运动和模糊的帧。在这项工作中，我们提出了一个新的视频恢复框架，称为edvr，以解决这些挑战。首先，为了处理大的运动，
  • #每天一篇论文246/365 CBAM:卷积块注意力模型 流浪机器人 每天一篇论文365
    原文:CBAM:ConvolutionalBlockAttentionModule本文提出了一种新的网络模块，称为卷积块注意模块。由于卷积操作通过将跨通道和空间信息混合在一起来提取信息特征，因此我们采用我们的模块来沿着这两个主要维度强调有意义的特征：通道轴和空间轴。为了实现这一点，我们依次应用信道和空间注意模块（如图1所示），以便每个分支可以分别在信道和空间轴上学习“什么”和“在哪里”要注意。因此
  • #每天一篇论文 Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud 流浪机器人 论文每天读
    Monocular3DObjectDetectionwithPseudo-LiDARPointCloud单目伪激光雷达点云3D目标检测摘要单目3D场景理解任务，例如目标大小估计，车头角度估计和3D位置估计，非常具有挑战性。当前成功的三维场景理解方法需要使用三维传感器。另一方面，基于单一图像的方法性能明显较差。在这项工作中，我们的目标是通过增强基于激光雷达的算法来处理单个图像输入，从而弥合3D传感和
  • 每天一篇论文 373/1000 PSEUDO-LIDAR++:ACCURATE DEPTH FOR 3D OBJECT DETECTION IN AUTONOMOUS DRIVING 流浪机器人 每天一篇论文365
    论文阅读汇总listPSEUDO-LIDAR++:ACCURATEDEPTHFOR3DOBJECTDETECTIONINAUTONOMOUSDRIVINGCodePseudo-LiDARfromVisualDepthEstimation:BridgingtheGapin3DObjectDetectionforAutonomousDriving本文了一种新的图形传(GCD)播算法，它集成了两种数据模
  • #每天一篇论文 256/365 Multi-adversarial Faster-RCNN for Unrestricted Object Detection 流浪机器人 每天一篇论文365
    多对抗快速rcnn用于无限制目标检测摘要传统的目标检测方法本质上是假设训练和测试数据是从一个有限制的目标域中采集的，并且代价昂贵。为了减轻域依赖性和繁琐的标记问题，提出了利用足够的标签从辅助源域训练的领域知识来检测非受限环境中的对象。具体来说，我们提出了一个多对抗的快速rcnn（maf）框架，用于无限制目标检测。它本质上解决了特征表示中用于域自适应的域差异最小化问题。本文的优点有三：1）针对图像分
  • #每天一篇论文 266/365 A Baseline for 3D Multi-Object Tracking 流浪机器人 每天一篇论文365
    3D多目标追踪基准代码MOT数据集处理摘要三维多目标跟踪（MOT）是自动驾驶或辅助机器人等实时应用的重要组成部分。然而，最近的3DMOT作品倾向于更多地关注精确的系统，而较少考虑计算成本和系统复杂性。相比之下，本文提出了一种简单而精确的实时基线3D-MOT系统。使用现成的三维物体探测器从激光雷达点云获得定向的三维边界盒。然后，结合三维卡尔曼滤波和Hun-garian算法进行状态估计和数据关联。尽管
  • #每天一篇论文 251/365 SemanticKITTI:一个LIDAR帧语义场景理解的数据集 流浪机器人 每天一篇论文365软件安装
    SemanticKITTI:ADatasetforSemanticSceneUnderstandingofLiDARSequences摘要语义场景理解对于各种应用都是非常重要的。特别是，自动驾驶汽车需要对其附近的表面和物体有细致的了解。光探测和测距（lidar）提供精确的环境几何信息，因此是几乎所有自动驾驶汽车传感器套件的一部分。尽管语义场景理解与此应用程序相关，但此任务缺乏基于汽车激光雷达的大型
  • 每天一篇论文微习惯 315/365 Self-supervised Object Motion and Depth Estimation from Video/ 流浪机器人 每天一篇论文365
    Self-supervisedObjectMotionandDepthEstimationfromVideo本文是在深度估计的基础上，加入提前VO估计位姿用于深度估计，实例估计和深度估计结合,尺度模糊处理摘要我们提出了一个自监督学习框架来估计视频中单个物体的运动和单目深度。我们将物体运动建模为6自由度刚体变换。实例分割掩码用于引入对象信息。与预测像素级光流图以模拟运动的方法相比，我们的方法显著减少
  • 每天一篇论文 332/365 Visual Semantic SLAM with Landmarks for Large-Scale Outdoor Environment 流浪机器人 每天一篇论文365
    VisualSemanticSLAMwithLandmarksforLarge-ScaleOutdoorEnvironment每天一篇论文汇总list[Code](摘要-语义SLAM是自主驾驶和智能代理中的一个重要领域，它能使机器人实现高层次的导航任务，获得简单的认知或推理能力，实现基于语言的人机交互。本文将ORB-SLAM[1]、[2]的三维点云与PSPNet-101[3]卷积神经网络模型的语义
  • 每天一篇论文 304/365DeepFusion: Real-Time Dense 3D Reconstruction for Monocular SLAM 流浪机器人 每天一篇论文365
    DeepFusion:Real-TimeDense3DReconstructionforMonocularSLAMusingSingle-ViewDepthandGradientPredictions摘要稀疏单目同步定位与映射（SLAM）系统生成的基于关键点的地图对于摄像机跟踪是有用的，但是对于许多机器人任务，可能需要密集的三维重建。涉及深度相机的解决方案在范围和室内空间上都是有限的，基于最小化帧
  • 每天一篇论文 327/365 Instance-wise Depth and Motion Learning from Monocular Videos 流浪机器人 每天一篇论文365
    每天一篇论文汇总listInstance-wiseDepthandMotionLearningfromMonocularVideos摘要我们提出了一个端到端的联合训练框架，在没有监督的情况下，直接模拟了多个动态物体的6自由度运动、Ego-motion和深度。在我们的框架中使用的唯一注释是一个视频实例分割图，它可以由我们新的自动注释方案进行预测。我们的贡献主要三个方面。首先，我们提出了一个可微的前向
  • 每天一篇论文 366~372 一周总结 流浪机器人
    1.DeepSnakeforReal-TimeInstanceSegmentationCode  该模型能够达到上述效果的两个原因是：该方法能够处理目标检测模型定位错误的问题所以只需要结合一个轻量级的目标检测模型即可。基于contour的分割比基于pixel-based的分割具有更少的参数，而且没有Decoder过程。  为了增加算法的鲁棒性，DeepSnake算法把传统的对于contour坐标来
  • #每天一篇论文#233/365 基于星座的语义slam地图合并 流浪机器人 每天一篇论文365
    EfficientConstellation-BasedMap-MergingforSemanticSLAM摘要-slam中的数据关联具有根本性的挑战性，处理好模糊性对于实现现实环境中的稳健操作至关重要。当出现不明确的度量时，保守主义常常要求放弃度量或初始化新的里程碑，而不是冒着不正确关联的风险。为了解决不可避免的“重复”地标，我们提出了一个有效的地图合并框架来检测重复的地标星座，提供了一个高置信
  • 每天一篇论文 354/365 Deep Snake for Real-Time Instance Segmentation 流浪机器人 每天一篇论文365
    DeepSnakeforReal-TimeInstanceSegmentationCode摘要本文提出了一种基于轮廓的deepsnake方法用于实例的实时分割。与最近一些直接从图像中回归对象边界点坐标的方法不同，deepsnake使用神经网络迭代变形初始轮廓以匹配对象边界，这实现了snake算法的经典思想和基于学习的方法。对于轮廓的结构化特征学习，我们提出在deepsnake中使用循环卷积，与一般
  • #每天一篇论文#（224/365）基于rgbd感知的增量式种类发现语义分割 流浪机器人
    IncrementalClassDiscoveryforSemanticSegmentationwithRGBDSensing摘要这项工作解决了开放世界语义分割的任务，使用rgbd感知来发现新的语义类。虽然现实世界中的对象类型很多，但现有的语义分割方法都是基于封闭世界的假设，只训练有限数量的对象类。针对一种更开放的方法，我们提出了一种增量学习新类的图像分割方法。该系统首先利用颜色和几何信息对每个r
  • #每天一篇论文#232/365 基于计连续对抗学习自监督深度里程 流浪机器人 每天一篇论文365
    SequentialAdversarialLearningforSelf-SupervisedDeepVisualOdometry摘要我们提出了一个视觉里程计（vo）的自监督学习框架，该框架结合了连续帧的相关性，并利用了对抗学习的优势。以前的方法将自监督vo作为运动局部结构（sfm）来处理，通过最小化扭曲图像和捕获图像之间的光度损失，从图像对中恢复单个图像的深度和相对姿态。由于单视深度估计是一个不
  • #每天一篇论文# 221/365 单目SLAM半稠密3D语义地图 流浪机器人 每天一篇论文365
    Semi-Dense3DSemanticMappingfromMonocularSLAM本文要点是将2D语义分割结果通过概率模型，推导到3D地图中，重建了具有语义信息的3D地图摘要计算机视觉中的几何和外观组合已被证明是机器人在各种应用中的一个有前途的解决方案。立体摄像机和rgbd传感器广泛应用于实现快速三维重建和密集的轨迹跟踪。然而，它们缺乏在不同缩放环境（即室内和室外场景）之间无缝切换的灵活性。
  • #每天一篇论文# 231/365 orbslam-Atlas：一个鲁邦而精确的多地图系统 流浪机器人 每天一篇论文365
    ORBSLAM-Atlas:arobustandaccuratemulti-mapsystem摘要我们提出了一个orbslam-atlas系统，该系统能够处理无限数量的断开子地图，其中包括一个健壮的地图合并算法，能够检测出具有公共区域的子地图，并无缝地融合它们。orbslam的突出鲁棒性和准确性是因为它能够检测关键帧之间的宽基线匹配，并通过非线性优化来利用这些匹配，但它只能处理单个映射。Orbsl
  • IOI国家集训队1999-2019年论文集（网盘免费下载链接） 繁凡さん 【ACM—ICPC相关】
    ACM-ICPC模板国家集训队1999-2019年最新论文（合集）（文末有网盘下载链接）累死我了（；´д｀）ゞ大家跟我每天一篇论文集，一起自闭每一天文末有百度网盘免费链接哦国家集训队1999论文集陈宏：《数据结构的选择与算法效率——从IOI98试题PICTURE谈起》来煜坤：《把握本质，灵活运用——动态规划的深入探讨》齐鑫：《搜索方法中的剪枝优化》邵铮：《数学模型的建立、比较和应用》石润婷：《隐蔽
  • 每天一篇论文 369/1000 D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry 流浪机器人
    D3VO:DeepDepth,DeepPoseandDeepUncertaintyforMonocularVisualOdometry论文阅读汇总list摘要我们提出D3VO作为一种新的单目视觉测程框架，它利用了深度、姿态和不确定度三个层次上的深度网络。首先，我们提出了一种基于双目视频的自监督单目深度估计网络。特别地，它利用预测亮度变换参数将训练图像对对齐到相似的光照条件。此外，我们对输入图像上像
  • 每天一篇论文342/365 Self-Supervised Deep Pose Corrections for Robust Visual Odometry 流浪机器人 每天一篇论文365
    Self-SupervisedDeepPoseCorrectionsforRobustVisualOdometryCode摘要提出了一种自监督的深度位姿校正（DPC）网络，该网络将位姿校正应用于视觉里程计估计器以提高其精度。我们没有直接回归帧间姿态变化，而是在先前工作的基础上，使用数据驱动的学习来回归姿态修正，该修正解释了由于违反建模假设而导致的系统误差。我们的自监督公式消除了对六自由度地面真实性
  • 每天一篇论文 365/365 Visual Odometry Revisited: What Should Be Learnt? 流浪机器人
    Memory-EfficientImplementationofDenseNetsVisualOdometryRevisited:WhatShouldBeLearnt?Code摘要在这项工作中，我们提出了一个单目视觉里程计（VO）算法，利用基于几何的方法和深入学习。大多数具有优异性能的现有VO/SLAM系统都基于几何学，必须针对不同的应用场景进行精心设计。此外，大多数单目系统都存在尺度漂移问题。最
  • 异常的核心类Throwable 无量 java源码异常处理exception
    java异常的核心是Throwable，其他的如Error和Exception都是继承的这个类 里面有个核心参数是detailMessage，记录异常信息，getMessage核心方法，获取这个参数的值，我们可以自己定义自己的异常类，去继承这个Exception就可以了，方法基本上，用父类的构造方法就OK，所以这么看异常是不是很easy package com.natsu;
  • mongoDB 游标（cursor） 实现分页 迭代 开窍的石头 mongodb
    上篇中我们讲了mongoDB 中的查询函数，现在我们讲mongo中如何做分页查询      如何声明一个游标        var mycursor = db.user.find({_id:{$lte:5}});       迭代显示游标数
  • MySQL数据库INNODB 表损坏修复处理过程 0624chenhong tomcatmysql
    最近mysql数据库经常死掉，用命令net stop mysql命令也无法停掉，关闭Tomcat的时候，出现Waiting for N instance(s) to be deallocated 信息。查了下，大概就是程序没有对数据库连接释放，导致Connection泄露了。因为用的是开元集成的平台，内部程序也不可能一下子给改掉的，就验证一下咯。启动Tomcat,用户登录系统，用netstat -
  • 剖析如何与设计人员沟通 不懂事的小屁孩 工作
    最近做图烦死了，不停的改图，改图……。烦，倒不是因为改，而是反反复复的改，人都会死。很多需求人员不知该如何与设计人员沟通，不明白如何使设计人员知道他所要的效果，结果只能是沟通变成了扯淡，改图变成了应付。 那应该如何与设计人员沟通呢？ 我认为设计人员与需求人员先天就存在语言障碍。对一个合格的设计人员来说，整天玩的都是点、线、面、配色，哪种构图看起来协调；哪种配色看起来合理心里跟明镜似的，
  • qq空间刷评论工具 换个号韩国红果果 JavaScript
    var a=document.getElementsByClassName('textinput'); var b=[]; for(var m=0;m<a.length;m++){ if(a[m].getAttribute('placeholder')!=null) b.push(a[m]) } var l
  • S2SH整合之session 灵静志远 springAOPstrutssession
    错误信息： Caused by: org.springframework.beans.factory.BeanCreationException: Error creating bean with name 'cartService': Scope 'session' is not active for the current thread; consider defining a scoped
  • xmp标签 a-john 标签
    今天在处理数据的显示上遇到一个问题： var html = '<li><div class="pl-nr"><span class="user-name">' + user + '</span>' + text + '</div></li>'; ulComme
  • Ajax的常用技巧（2）---实现Web页面中的级联菜单 aijuans Ajax
    在网络上显示数据，往往只显示数据中的一部分信息，如文章标题，产品名称等。如果浏览器要查看所有信息，只需点击相关链接即可。在web技术中，可以采用级联菜单完成上述操作。根据用户的选择，动态展开，并显示出对应选项子菜单的内容。 在传统的web实现方式中，一般是在页面初始化时动态获取到服务端数据库中对应的所有子菜单中的信息，放置到页面中对应的位置，然后再结合CSS层叠样式表动态控制对应子菜单的显示或者隐
  • 天-安-门，好高 atongyeye 情感
        我是85后，北漂一族，之前房租1100，因为租房合同到期，再续，房租就要涨150。最近网上新闻，地铁也要涨价。算了一下，涨价之后，每次坐地铁由原来2块变成6块。仅坐地铁费用，一个月就要涨200。内心苦痛。     晚上躺在床上一个人想了很久，很久。        我生在农
  • android 动画 百合不是茶 android透明度平移缩放旋转
    android的动画有两种  tween动画和Frame动画   tween动画;,透明度,缩放,旋转,平移效果   Animation   动画 AlphaAnimation 渐变透明度 RotateAnimation 画面旋转 ScaleAnimation 渐变尺寸缩放 TranslateAnimation 位置移动 Animation
  • 查看本机网络信息的cmd脚本 bijian1013 cmd
    @echo 您的用户名是：%USERDOMAIN%\%username%>"%userprofile%\网络参数.txt" @echo 您的机器名是：%COMPUTERNAME%>>"%userprofile%\网络参数.txt" @echo ___________________>>"%userprofile%\
  • plsql 清除登录过的用户 征客丶 plsql
    tools---preferences----logon history---history  把你想要删除的删除 -------------------------------------------------------------------- 若有其他凝问或文中有错误，请及时向我指出， 我好及时改正，同时也让我们一起进步。 email ： binary_spac
  • 【Pig一】Pig入门 bit1129 pig
    Pig安装 1.下载pig   wget http://mirror.bit.edu.cn/apache/pig/pig-0.14.0/pig-0.14.0.tar.gz   2. 解压配置环境变量      如果Pig使用Map/Reduce模式，那么需要在环境变量中，配置HADOOP_HOME环境变量   expor
  • Java 线程同步几种方式 BlueSkator volatilesynchronizedThredLocalReenTranLockConcurrent
    为何要使用同步？      java允许多线程并发控制，当多个线程同时操作一个可共享的资源变量时（如数据的增删改查），      将会导致数据不准确，相互之间产生冲突，因此加入同步锁以避免在该线程没有完成操作之前，被其他线程的调用，      从而保证了该变量的唯一性和准确性。 1.同步方法&
  • StringUtils判断字符串是否为空的方法（转帖） BreakingBad nullStringUtils“”
    转帖地址：http://www.cnblogs.com/shangxiaofei/p/4313111.html   public static boolean isEmpty(String str)   　　判断某字符串是否为空，为空的标准是 str== null  或 str.length()== 0  
  • 编程之美-分层遍历二叉树 bylijinnan java数据结构算法编程之美
    import java.util.ArrayList; import java.util.LinkedList; import java.util.List; public class LevelTraverseBinaryTree { /** * 编程之美 分层遍历二叉树 * 之前已经用队列实现过二叉树的层次遍历，但这次要求输出换行，因此要
  • jquery取值和ajax提交复习记录 chengxuyuancsdn jquery取值ajax提交
    // 取值 // alert($("input[name='username']").val()); // alert($("input[name='password']").val()); // alert($("input[name='sex']:checked").val()); // alert($("
  • 推荐国产工作流引擎嵌入式公式语法解析器-IK Expression comsci java应用服务器工作Excel嵌入式
    这个开源软件包是国内的一位高手自行研制开发的，正如他所说的一样，我觉得它可以使一个工作流引擎上一个台阶。。。。。。欢迎大家使用，并提出意见和建议。。。 ----------转帖--------------------------------------------------- IK Expression是一个开源的（OpenSource），可扩展的（Extensible），基于java语言
  • 关于系统中使用多个PropertyPlaceholderConfigurer的配置及PropertyOverrideConfigurer daizj spring
    1、PropertyPlaceholderConfigurer Spring中PropertyPlaceholderConfigurer这个类，它是用来解析Java Properties属性文件值，并提供在spring配置期间替换使用属性值。接下来让我们逐渐的深入其配置。 基本的使用方法是：(1) <bean id="propertyConfigurerForWZ&q
  • 二叉树:二叉搜索树 dieslrae 二叉树
        所谓二叉树,就是一个节点最多只能有两个子节点,而二叉搜索树就是一个经典并简单的二叉树.规则是一个节点的左子节点一定比自己小,右子节点一定大于等于自己(当然也可以反过来).在树基本平衡的时候插入,搜索和删除速度都很快,时间复杂度为O(logN).但是,如果插入的是有序的数据,那效率就会变成O(N),在这个时候,树其实变成了一个链表. tree代码:
  • C语言字符串函数大全 dcj3sjt126com cfunction
    C语言字符串函数大全     函数名: stpcpy 功 能: 拷贝一个字符串到另一个 用 法: char *stpcpy(char *destin, char *source); 程序例:   #include <stdio.h> #include <string.h>   int main
  • 友盟统计页面技巧 dcj3sjt126com 技巧
    在基类调用就可以了, 基类ViewController示例代码 -(void)viewWillAppear:(BOOL)animated { [super viewWillAppear:animated]; [MobClick beginLogPageView:[NSString stringWithFormat:@"%@",self.class]];
  • window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法 flyvszhb javajdk
    window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法 本机已经安装了jdk1.7，而比较早期的项目需要依赖jdk1.6，于是同时在本机安装了jdk1.6和jdk1.7. 安装jdk1.6前，执行java -version得到 C:\Users\liuxiang2>java -version java version "1.7.0_21&quo
  • Java在创建子类对象的同时会不会创建父类对象 happyqing java创建子类对象父类对象
      1.在thingking in java 的第四版第六章中明确的说了，子类对象中封装了父类对象，   2."When you create an object of the derived class, it contains within it a subobject of the base class. This subobject is the sam
  • 跟我学spring3 目录贴及电子书下载 jinnianshilongnian spring
        一、《跟我学spring3》电子书下载地址： 《跟我学spring3》  （1-7 和 8-13） http://jinnianshilongnian.iteye.com/blog/pdf     跟我学spring3系列 word原版 下载     二、 源代码下载 最新依
  • 第12章 Ajax（上） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • BI and EIM 4.0 at a glance blueoxygen BO
    http://www.sap.com/corporate-en/press.epx?PressID=14787   有机会研究下EIM家族的两个新产品~~~~   New features of the 4.0 releases of BI and EIM solutions include: Real-time in-memory computing –
  • Java线程中yield与join方法的区别 tomcat_oracle java
    长期以来，多线程问题颇为受到面试官的青睐。虽然我个人认为我们当中很少有人能真正获得机会开发复杂的多线程应用(在过去的七年中，我得到了一个机会)，但是理解多线程对增加你的信心很有用。之前，我讨论了一个wait()和sleep()方法区别的问题，这一次，我将会讨论join()和yield()方法的区别。坦白的说，实际上我并没有用过其中任何一个方法，所以，如果你感觉有不恰当的地方，请提出讨论。 &nb
  • android Manifest.xml选项 阿尔萨斯 Manifest
    结构 继承关系 public final class Manifest extends Objectjava.lang.Objectandroid.Manifest 内部类 class Manifest.permission权限 class Manifest.permission_group权限组 构造函数 public Manifest () 详细 androi
  • Oracle实现类split函数的方 zhaoshijie oracle
    关键字：Oracle实现类split函数的方 项目里需要保存结构数据，批量传到后他进行保存，为了减小数据量，子集拼装的格式，使用存储过程进行保存。保存的过程中需要对数据解析。但是oracle没有Java中split类似的函数。从网上找了一个，也补全了一下。 CREATE OR REPLACE TYPE t_split_100 IS TABLE OF VARCHAR2(100); cr
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他