珍惜最后的学生时光，享受奋斗的乐趣

深入理解SqueezeSegV3点云分割，Squeezesegv3: Spatially-adaptive convolution for efficient point-cloud segmentation

本文提供了一份详细的Windows环境下为QEMU定制STM32F103虚拟开发板的实践指南。通过QEMU源码修改和硬件模拟，开发者可以构建高度仿真的STM32F1x开发环境，加速嵌入式开发流程，实现复杂调试功能。教程涵盖环境配置、开发板框架创建、SoC核心功能实现到外设集成测试的全过程，是嵌入式开发者的实用参考。

这篇论文介绍了一种名为SqueezeSeg的系统，它是一个基于卷积神经网络（CNN）和条件随机场（CRF）的端到端管道，用于从3D激光雷达（LiDAR）点云中实时分割道路对象。SqueezeSeg的目标是检测和分类兴趣实例，例如汽车、行人和骑自行车的人。以下是对论文的主要内容进行的总结：1. 问题定义：SqueezeSeg解决的是道路对象的语义分割问题，即将3D LiDAR点云中的各个点分类到不同的对象类别。

https://arxiv.org/abs/1710.07368 SqueezeSeg代码地址：SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud 摘要 在本文中，我们从三维激光雷达点云的角度对道路目标...

SqueezeSeg_ros复现 参考链接： 1.https://adamshan.blog.csdn.net/article/details/83544089 2.https://blog.csdn.net/weixin_44210881/article/details/89764881?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160563085319725255501948%2522%252C%2522scm%2522%253A%2

今天是2019年6月，对于准高三的我们仅剩一年时间。如暴风雨前最后宁静沉寂的空气，日益沉重的压力，不是高三的号角，不是陆续开始的总[复习](https://weibo.com/Q1377005839?is_all=1)，而是时间。时间的紧促，时间的飞快流逝，时刻在提醒着我们，准高三的岁月其实如浮云，在不经意间，便从我们身边飞快飘远------同学们，其实我们已经没有任何可以挥霍的资本了，在这...

笔者C成长之路感想

人生当中很有哲理的十句话          第一句：“人都是逼出来的”。每个人都是有潜能的，生于安乐，死于忧患，所以，当面对压力的时候，不要焦燥，也许这只是生活对你的一点小考验，相信自己，一切都能 处理好，逼急了好汉可以上梁山，时世造英雄，穷者思变，人只有压力才会有动力。      第二句：“如果你简单，这个世界就对你简单”。简单生活才能幸福生活，人要自足常乐，宽容大度，什么事情都不能想繁

1、计算平台 工控机：MIC-770 操作系统：ubuntu18.04 显卡：GeForce RTX 2070 2、依赖安装 2.1 安装tensorflow-gpu、easydict sudo apt install python-pip pip install tensorflow-gpu==1.0.0 pip install easydict 2.2 已装有cuda9.0和cuda10.1的情况下，根据SqueezeSeg需要，继续安装cuda8.0。 2.2.1 查看当前cuda版本 nvcc -

在本文中，我们讨论了3D激光雷达点云中道路对象的语义分割。特别是，我们希望检测和分类感兴趣的实例，例如汽车、行人和骑自行车的人。我们将此问题表述为逐点分类问题，并提出了一种基于卷积神经网络（CNN）的端到端流水线SquezeSeg：CNN将转换后的LiDAR点云作为输入，并直接输出逐点标签图，然后通过实现为递归层的条件随机场（CRF）对其进行细化。然后通过常规聚类算法获得实例级标签。我们的CNN模型是在KITTI[1]数据集的LiDAR点云上训练的，我们的逐点分割标签来自KITTI的3D边界框。

推荐SqueezeSegV3：高效点云分割的时空自适应卷积 SqueezeSegV3，一个在ECCV2020上发表的前沿模型，专为LiDAR分割设计，旨在实现对激光雷达数据的高精度、高效率处理。这个开源项目基于Pytorch，提供了先进的网络架构和强大的性能表现。 项目介绍 SqueezeSegV3从其前辈SqueezeSeg和SqueezeSegV2继承并改进了模型结构，同时也吸收了LATTE的...

标准卷积使用相同的权重来处理所有空间位置的输入要素，而不考虑输入。因此本文采用自适应卷积可以根据输入和图像中的位置来改变权重。

摘要 - 早期的工作证明了基于深度学习的点云分割方法的前景;然而，这些方法需要改进才能实用。为此，我们引入了一个新模型SqueezeSegV2，它对于LiDAR点云中的噪声丢失更加稳健。凭借改进的模型结构，训练损失，批量标准化和额外的输入通道，SqueezeSegV2在实际数据训练时实现了显着的精度提高。用于点云分割的训练模型需要大量标记的点云数据，这获得了昂贵的成本。为了回避收集和注释的成本，...

这里写自定义目录标题python版本的选择错误类型解决方法总结 在尝试复现大神Adamshan的无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现时出现了很多的问题，在阅读评论时，发现很多朋友都出现了复现失败的情况，在此将个人在复现时遇到的问题以及部分细节进行汇总，希望能够帮助有需要的人。 原文链接：https://blog.csdn.net/AdamShan/a...

原文：无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现 1. 系统环境 Ubuntu16.04 ROS-Kinetic Python 2.7 2. 安装 2.1 创建squeezeseg虚拟环境 conda create -n squeezeseg python=2.7 # 激活虚拟环境 source activate squeezeseg 注意：下面的操作都在虚拟环境中执行 2.2 安装依赖 pip install easydict==1.6 pip inst.

时间犹如指缝间的细沙，在不经意间就流逝。此时的我不再年轻，心态已经变老，我知道以后还有很多的事等着我，只是时间过的太快，不容我去适应。我感慨着时间的无情，岁月的老去，青春的无奈。光阴似箭，岁月蹉跎……

转载：https://github.com/handong1587/handong1587.github.io/edit/master/_posts/deep_learning/2015-10-09-segmentation.mdPapersDeep Joint Task Learning for Generic Object Extraction intro: NIPS 2014 homepage

标题-PointSeg: Real-Time Semantic Segmentation Based on 3D LiDAR Point Cloud 作者-Yuan Wang1 Tianyue Shi2 Peng Yun1 Lei Tai1 Ming Liu1 摘要： PointSeg，基于球形图的实时端到端语义分割道路物体的方法。球形图是指从3维雷达点云转变成的645125并用于作为CNN的输入...