- 博客(307)
- 资源 (5)
- 收藏
- 关注
RSS订阅
原创 【3D目标检测】学习过的论文整理
本文将我所学习过的3D目标检测论文按照自己的理解进行分类，并介绍每篇论文研究的问题与采用的方法，格式如下：【年份】【模型简写】【论文名称】【笔记链接】问题1问题2方法1方法2。
2022-12-03 16:57:44
1668
原创 【杂谈】linux知识点总结
目录Linux 的目录结构开机关机，登录登出用户管理常用命令帮助命令文件目录类时间日期类搜索查找类压缩和解压类组管理和权限管理Linux 的目录结构/，根目录，下面有很多一级目录/bin，存放最经常使用的命令/sbin，存放系统管理员使用的系统管理命令/home，存放普通用户的主目录，在Linux中每个用户都有一个自己的目录，一般该目录名是以用户的账号命名的。/root，该目录为系统管理员，也称作超级权限者的用户主目录。/boot，存放的是启动nou时使用的一 些核心文件,包括一些连接文件以
2022-05-18 21:21:45
698
原创 【3D目标检测】Is Pseudo-Lidar needed for Monocular 3D Object detection?
如何引入获得空间信息如何增强深度估计效果密集深度估计子网络大规模数据集下的深度估计预训练。
2023-03-12 21:34:36
756
2
原创 【信息安全】基于TCP协议半连接的端口扫描程序实现
其中，TCP协议半连接端口扫描技术利用TCP协议的特性，通过简单的三次握手，就可以实现端口的扫描，这样可以更安全的探测到目标主机的端口信息，并不会影响到目标主机的安全。此外，端口扫描还可以帮助网络管理员查找未被识别的服务器端口，确定可以利用的资源，以及查找未授权的连接;在程序中总共包含两次数据包的发送过程，第一次是发送探测数据包，也就是发送SYN数据包与目标主机进行第一次握手，第二次是在收到目标主机的响应数据包时，发现其中包含SYN和ACK标志位，则再次发送一个RST数据包给目标主机从而停止连接的建立。
2023-03-05 22:36:01
1475
原创 【3D目标检测】WEAKM3D: TOWARDS WEAKLY SUPERVISEDMONOCULAR 3D OBJECT DETECTION
核心问题：如何以2D检测框对应的目标点云作为监督信号进行弱监督学习，训练一个单目3D目标检测网络如何最小化预测的3D边界框与目标点云之间的几何距离如何缓解几何对齐带来的对齐模糊问题。对齐模糊问题指的是有些目标通过激光雷达只能获取它一个表面的点，不知道该通过3D边界框的哪个表面去和他对齐点云分布不均匀，稀疏点但是重要的点应该比稠密的点产生更大的损失为了得到3D边界框，预测大量的参数，并且这些参数相互耦合，如位置、尺寸、偏航角。
2023-02-23 23:32:51
679
原创 【3D目标检测】Boosting Monocular 3D Object Detection with Object-Centric Auxiliary Depth Supervision
本文是基于单目图像的3D目标检测方法。研究的问题：object-centric auxiliary depth loss，并且使用原始点云而非标注作为监督信号（旨在减少深度误差，尤其是前景区域的深度误差）（更改了深度回归的目标）引入了目标深度分解以及深度不确定性，前者指的是更改了深度回归的目标，后者指的是输出深度分布而非深度值，考虑到了定位的不确定性。
2023-02-16 23:26:55
475
2
原创 【信息安全】seed-labs实验-Firewall Exploration Lab
本实验主要就是基于LKM和Netfilter实现简单的防火墙，重点是后者。路由器是有两个ip的，一个是外网ip，一个是内网ip每一次做完实验，都要做好收尾工作（比如：模块装入之后，要记得移除；iptables命令设置完规则之后，要把对应规则删掉）
2023-02-16 12:50:49
3226
原创 【3D目标检测】Pseudo-Stereo for Monocular 3D Object Detection in Autonomous Driving
本文是基于单目图像的3D目标检测方法。能否借助立体图像检测算法提高单目图像检测的效果如何实现右侧图像的生成受启发于伪点云，提出了伪立体图像的概念，将图像转换成立体图像，然后应用立体图像的检测算法提出两种右侧图像生成的方法，分别是图像级别生成和特征级别生成（基于视差的动态卷积方法）提出一个观点：学习深度感知的特征有利于提高单目检测的性能，比如作者这边的深度估计以及深度损失。
2023-02-14 23:04:18
926
原创 【3D目标检测】基于伪雷达点云的单目３Ｄ目标检测方法研宄
本文是基于单目图像的3D目标检测方法，是西安电子科技大学的郭鑫宇学长的硕士学位论文。【2021】【单目图像的3D目标检测方法】
2023-02-10 14:03:41
1300
1
原创 【信息安全】RSA Public-Key Encryption and Signature Lab
Bob收到来自Alice的消息M = “Launch a missile.”，其签名为s。我们知道Alice的公钥是(e, n)，请验证该签名是否确实是Alice的。假设in的签名已损坏，签名的最后一个字节从2F更改为3F，即只有一个比特的更改。涉及到的参数有：模数n，公钥指数e，私钥指数d，我们将(e,n)称为公钥，(d,n) 称为私钥。公钥秘钥与上一个任务相同，让我们解密以下密文C，并将其转换为纯ASCII字符串。使用公钥（e,n）对明文M进行加密，并且使用私钥（d,n）验证加密的正确性。
2023-02-07 13:23:37
1042
原创 【3D目标检测】Delving into Localization Errors for Monocular 3D Object Detection
本文是基于单目图像的3D目标检测方法。核心问题：如何提高基于单目图像的3D目标检测的效果。作者量化了每个子任务的整体影响，观察到以下现象观察一：定位误差是制约目标检测性能的关键因素，当然还有深度估计以及3D中心的2D投影。观察二：随着深度的增加，检测性能显著下降（对于很近的物体，性能也很差），甚至超过一定距离几乎不可能准确检测。我们将这些几乎无法准确检测的远距离样本称为坏样本，这些样本会降低模型对于易于检测样本的表示，危害整体性能观察三：尺寸估计也是制约目标检测性能的重要因素。
2023-01-11 21:52:09
744
原创 【3D目标检测】SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
本文是基于单目图像的3D目标检测方法。以往的3D目标检测方法中都会有一个子网络，通过2D目标检测产生2D候选框，然后通过2D候选框去学习3D信息或者得到伪点云送入基于点云的网络中。而这种基于2D目标检测的方法会存在一些问题，如冗余。因为3D信息+内参矩阵可以直接拿到2D信息。引入噪声。添加了2D目标检测子网络之后，整个流程就分阶段了，前一阶段会引入持续的噪声，导致后一阶段学习3D特征变得困难。而为了解决这个问题，又有了很多的研究，但不管怎么说，多阶段的方法都会导致性能的降低。
2022-12-28 22:05:56
792
原创 【信息安全】seed-labs实验-Secret-Key Encryption Lab
然后我们还有一个已知的排序结果words_frequency（这个是百度搜到的字母出现频率），这两个排序结果的对应关系我们就认为是对照表了，接着使用这个对照表翻译密文得到明文out.txt。单表替换密码（将明文中的字母按照对照表映射成密文），会将明文中的统计规律带到密文中，如明文中出现最多的是A，则密文中出现最多的就是A在对照表下的密文。比如我想将DF修改成EF，做法就是选中EF（是鼠标拖动，让ED块变红），然后右键复制，选中DF右键删除，然后再右键黏贴。
2022-12-27 15:15:50
3548
2
原创 【目标检测】Objects as Points
本文是一个anchor-free的目标检测算法。如何更好地将目标检测问题建模为关键点检测问题一个简单高效的目标检测方法CenterNet。简单：彻底的端到端（不需要NMS后处理），整体流程就是关键点预测+相关参数回归，高效：不需要预先设置anchor，速度精度都超过了基于anchor的方法。
2022-12-23 22:38:29
556
原创 【3D目标检测】Orthographic Feature Transform for Monocular 3D Object Detection
本文是基于单目图像的3D目标检测方法。在图像表示中，物体的比例会随着深度的变化而变化；物体的外观随着视点的不同而不同；物体的距离（无论是物体相对于坐标系的绝对距离还是物体之间的相对距离）无法直接表示，且后者是没有意义的，会随着深度的变化而变化的。作者认为应该在3D空间中进行检测，因此提出了一种可微的正交特征变换方式，将图像特征变换成正交的鸟瞰图特征，这种表示下物体的比例是均匀的，外观是与视点无关的，距离是有意义的。
2022-12-20 22:33:01
712
原创 【3D目标检测】Categorical Depth Distribution Network for Monocular 3D Object Detection
本文是基于单目图像的3D目标检测方法。以往的深度信息学习方法（无论是显示学习还是隐式学习）都存在一些问题，会导致后面边界框定位困难以往基于基于深度的方法将深度估计和目标检测分开训练以往基于网格的方法生成的鸟瞰图表示质量不高为每个像素预测一组深度分布，能够得到高质量的鸟瞰图，使得边界框定位更加准确实现了端到端的训练，也就是单个网络中同时进行深度估计和目标检测没有中间表示的方法,也就是基于2D特征+各种约束实现检测，如2D-3D约束，关键点约束等。没有显示的使用深度信息，定位性能相对较差。
2022-12-15 22:32:34
840
原创 【3D目标检测】Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation
本文是基于双目图像的3D目标检测方法。（双目方法所以看的不太仔细）以往的工作估计整张视差图，计算量大且无法使用类别具体的先验信息训练中视差标注不足提出一个实例级别的视差估计网络，只在ROI上进行视差估计使用统计形状模型而非激光雷达生成密集的视差标注。
2022-12-12 14:53:19
454
原创 【信息安全】seed-labs实验-TCP/IP Attack Lab
文件删除成功，并且客户端的光标被锁死，无法输入命令（这个是因为客户端的终端失去了正确的ack与seq，既无法发出信息，也无法接收信息，甚至无法退出。在wireshark上可以找到最新的报文信息，最新的是客户端发给服务器的，那我们模拟客户端再发一条，只需要改变序列号就好了。在wireshark上可以找到最新的报文信息，最新的是客户端发给服务器的，那我们模拟客户端再发一条，只需要改变序列号就好了。攻击脚本：py文件（攻击速度慢，因为是虚拟机，半连接会自动重置，要是攻击的速度赶不上重置的速度就实验失败了）
2022-12-10 21:57:35
3216
原创 【3D目标检测】Accurate Monocular Object Detection via Color-Embedded 3D Reconstruction for AD
本文是基于图像的3D目标检测方法。感觉上和伪点云原论文没什么不同，只是说基于伪点云的方法将深度图转换成伪点云之后直接使用了已有的工作，而作者自己设计了一个流程，这个流程中将颜色信息嵌入到了伪点云中。主要分为两个阶段，3D数据生成以及3D边界框预测
2022-12-07 23:23:22
802
原创 【zeriotier】win10安装zeriotier的辛酸泪
实验室的服务器是使用zeriotier组网的，因此我们想用服务器只能装zeriotier这个软件，但是在安装这个软件实在是经历了太长的时间了。其实zeriotier使用的流程很简答，师兄们已经做完了前面的铺垫工作，我们只需要加入就好了。具体流程就是安装zeriotier软件，点击Join Network，输入师兄给的network id，然后师兄再同意我的加入，就ok了。一个ok的证明就是我能够ping通服务器，ping通局域网内的其他机子。应该是下面这样的，我有一个自己的Node ID，在接入局域网后
2022-12-05 22:26:22
10368
13
原创 【docker】配置深度学习环境
问题与解决容器启动后添加端口映射一般添加端口自映射需要在生成容器的时候用-p指定映射规则，但如果当时忘记指定了或者后期需要新的映射规则，就需要这一步了将现有的容器打包成镜像，然后在使用新的镜像运行容器时重新指定要映射的端口，比较暴力直接修改当前容器的配置文件首先是在hostconfig.json中添加如下：然后在config.v2.json中添加如下两处:
2022-12-04 16:02:02
2033
2
原创 【3D目标检测】Rethinking Pseudo-LiDAR Representation
本文是基于图像的3D目标检测算法。作者认为基于伪点云的3D目标检测算法效果好的原因并不是伪点云这种数据表示本身，而是坐标系的转换。对于深度图，作者采用图像表示而不是伪点云的表示，之后采用2D CNN处理，成为了新的SOTA伪点云（【3D目标检测】Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud）
2022-12-02 23:17:45
901
原创 【3D目标检测】PSEUDO-LIDAR++: ACCURATE DEPTH FOR 3D OBJECT DETECTION INAUTONOMOUS DRIVING
本文是基于图像的3D目标检测算法。就像是之前中提到的，伪点云中还是存在很多问题的（比如伪点云与真实点云的局部不对齐），但是这些问题都可以归结到深度估计的效果不好上，因此作者聚焦如何提高深度估计的效果，尤其是对远处物体的深度估计。这里红色部分就是基于视差得到的点云，相对于绿色的真实边界框存在一部分的偏移，粉红色的是作者提出的双目深度估计算法得到的点云，相比之下稍微好了点，再结合黄色的稀疏激光雷达信号指引下的深度传播方法，就得到了蓝色的点云，可以发现此时视差点全部都在真实边界框当中了，可以说消除了偏差。
2022-12-01 00:00:09
897
原创 【3D目标检测】双目3D视觉原理
两台相机一左一右对统一目标进行拍摄（相机的高度相同），得到两张图像，这两张图像只有左右偏移，我们可以根据这个偏移得到深度信息（目标距离相机的远近）。那么关键就变成了找到两张图片中的匹配关系，只要有了匹配关系就能得到视差，基于视差就能用上面的公式计算深度了。采用上面的算法得到视差图，使用视差图得到深度图，基于深度图转换成点云。背后的原理是：距离越远，左右偏移越大，距离越近，左右偏移越小。下面是某一个视差计算的算法。
2022-11-23 12:18:15
1464
原创 【3D目标检测】单目相机成像原理
为了方便对透镜模型进一步简化，得到小孔成像的模型。小孔成像模型中，所成的像和原像之间的对应关系，全部都是连线，或者说所有的光线都没有改变方向。为了后面的分析方便，对小孔成像的模型进行进一步的调整，将成像平面画到镜头的对称位置，使得图像不再倒立。相机结构最基本的理解就是透镜模型，穿过光心的光线没有改变方向，其他光线都会在一定程度上改变方向。红色部分可以预处理出来，只要拿到深度，就可以快速得到对应的空间坐标。这里的x,y是物理坐标，不是图像当中的像素坐标。z是深度，就是物体距离相机的距离。
2022-11-22 23:21:07
2541
原创 【3D目标检测】Monocular 3D Object Detection with Pseudo-LiDAR Point Cloud
本文的输入数据仅仅是单目图像，在方法上是融合了伪点云（Pseudo-LiDAR）的深度信息表示方法与Frustum PointNets的检测方法。乍一看文章和伪点云原论文一模一样，但是会更具体一点，也就是本文只关注单目图像，同时解决了一些伪点云存在的问题。作者提到了其他设备的一些弊端：深度相机能捕捉的范围很有限；双目相机工作的流程很麻烦，需要校准与同步；激光雷达就不用说了，很贵 哈哈哈哈哈。相比之下，单目相机既便宜又方便安装，能捕捉的范围也大，核心问题就是没有深度信息。
2022-11-22 20:34:17
1354
原创 【3D目标检测】Frustum PointNets for 3D Object Detection from RGB-D Data
首先本文是基于图像和点云的，属于早期的模态融合的成果，是串行的算法，而非并行的，更多的是如何根据图像和点云进行3D目标检测的思考。以往基于点云的算法，要么是将点云进行编码成规则结构如体素、体柱，然后进行处理，要么是将点云转换成鸟瞰图，然后进行处理。当然也有一些工作比如PointNet类的算法，但是它们能进行分类和分割，并没有进行目标检测。
2022-11-16 12:26:14
1567
原创 【3D目标检测】Pseudo-LiDAR from Visual Depth Estimation
本文是基于图像的3D目标检测算法，以往基于图像的方法在精度上始终远远低于基于点云的方法，其中的原因一般被认为是基于图像的深度估计效果不好，而作者认为是数据表示的问题，作者将预测到的深度图转换成了伪点云，然后应用基于点云的算法，得到了远超普通基于图像方法的效果。（当时30m范围内，基于图像方法的SOTA是22%的准确率，本文达到了74%）以往基于图像的方法，最主要的工作就是模态融合，辅助基于点云的方法得到更好的效果 害！
2022-11-09 22:50:26
830
原创 【3D目标检测】3D Object Detection from Images for Autonomous Driving: A Survey
这是一篇22年的综述，介绍了3D目标检测中基于图像的检测算法。（论文中说本文是第一篇基于图像的3D目标检测算法综述！）
2022-11-07 22:27:52
1469
原创 【3D目标检测】KITTI数据集介绍
KITTI数据集很大，包括了很多任务，使用的训练样本7481个，测试样本7518个OpenPCDet——环境配置和训练测试（升级系统、Nvidia驱动、cuda11.3、cudnn8.2）【KITTI】KITTI数据集简介（一） — 激光雷达数据。
2022-11-05 16:56:51
9581
1
原创 【3D目标检测】PointPillars: Fast Encoders for Object Detection from Point Clouds
首先，本文是基于点云，但不是将点云处理成体素，而是体柱！比较主流的一种方式就是将点云编码成体素，但是这就使得后面需要使用3D卷积进行特征提取，开销比较大（哪怕SECOND中引入了稀疏卷积，计算量还是比2D卷积大）；另外一种思路就是从俯视角度将点云数据进行处理，得到伪图片的数据，之后使用2D卷积处理，开销小了，但是得到伪图片的过程中，丢失了很多信息。因此作者在一定程度上融合了这两种方法的思想，提出了一种新的点云编码方式，在这种方式下，仅仅使用2D卷积就可以实现端到端的3D目标检测。
2022-11-02 22:21:06
602
原创 【docker】学习笔记
后端提供jar包，运维搭建环境，然后运行jar包，但是中间会产生很多问题后端打包的时候带上环境得到一个镜像，将镜像上传到Docker仓库，运维下载我们发布的镜像，直接运行就好了。核心思想：隔离，不用担心端口冲突了以往实现隔离的一个方法是虚拟机，如vm软件，通过它可以虚拟出一台或者多台电脑，但是它虚拟出来的就是非常完全的电脑了，很大，很笨重，启动很缓慢，并且必须要安装vm软件，而这个软件也很大。现在实现隔离。
2022-10-30 23:12:16
457
原创 【3D目标检测】SECOND: Sparsely Embedded Convolutional Detection
首先，本文是基于点云，并且将点云处理成体素的3D目标检测网络，提出的SECOND可以看做是VoxelNet的升级版。提出动机与贡献VoxelNet计算量比较大，速度比较慢（训练和推理），作者引入稀疏卷积代替朴素的3D卷积VoxelNet中，当预测bbox的偏航角与gt box的偏航角差异为π\piπ的时候，损失会比较大，但是这个bbox其实与真实的边界框已经很相似了。因为作者对于偏航角使用了一个新的损失函数，并且设计了一个方向分类器。提出了一种新的数据增广方式。
2022-10-26 19:02:47
1349
原创 【3D目标检测】3D Object Detection for Autonomous Driving: A Survey
这是一篇21年的综述，介绍了3D目标检测背景、传感器以及基于传感器的算法分类及其特点。
2022-10-22 22:17:48
2202
原创 【脑肿瘤分割】Brain Tumor Segmentation and Radiomics Survival Prediction: Contribution to the BRATS 2017 Ch
这篇文章相对而言会比较简单一点，就是使用了一个修改了的3D UNet做脑肿瘤分割任任务。
2022-10-19 23:12:27
980
原创 【脑肿瘤分割】Deep learning based brain tumor segmentation: a survey
这是一篇22年的脑肿瘤分割的综述，作者在文中简单阐述了基于深度学习方法的发展过程，并把当前的方法大致分为三类，分别是具有有效架构的方法、处理不平衡状态的方法和利用多模态信息的方法。
2022-10-16 21:40:19
1363
原创 【3D目标检测】PDV（Point Density-Aware Voxels for LiDAR 3D Object Detection）
首先，本文是基于点云，并且将点云处理成体素的3D目标检测网络。Voxel Point Centroid Localization（体素点质心定位）就是使用非空体素中点计算体素的质心，然后结合质心点的特征得到包含细粒度位置信息的点密度分布，并使用它来实现候选框的回归，从而避免采样点云。
2022-10-12 19:39:54
1726
1
原创 【3D目标检测】PV-RCNN
首先，本文是基于点云，并且将点云处理成体素的3D目标检测网络。PV-RCNN融合了点云特征提取中基于体素方法和基于点方法的思想，进一步提高检测的性能提出了一种voxel-to-keypoint的编码方法，该方法将一帧内的多尺度体素特征编码为一系列的关键点中。这些关键点不仅保留了准确的位置信息，还拥有丰富的全局信息，可以提高三维检测性能。提出了一种在proposal中使用的多尺度的RoI特征提取层。该层可以通过多个感受野提取丰富的上文信息，用于优化预测框和置信度评分。
2022-10-11 17:03:47
1069
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人