论文笔记

学习笔记，记录了几篇 dropout-based 域泛化方法的大致思路---------------

本文是ISW论文笔记，ISW 的贡献是提出了一个能够有选择性的白化协方差矩阵部分区域的损失函数，论文行文脉络十分清晰。

今天是6月更文的最后一天！本文是 Calibration-free BEV Representation for Infrastructure Perception 的学习笔记 核心 提出了一个 Ca

本文是 Projecting Your View Attentively: Monocular Road Scene Layout Estimation via Cross-view Transfor

Peeking into the Future 该部分是论文 Peeking into the Future: Predicting Future Person Activities and Loca

模型分类 按照是否保留感知、预测、规划这些模块，可以简单的把端到端划分为显式和隐式。 显式 类似 UniAD 这种保留了传统分工，但中间可导的模型。 优势是有中间可视化，容易 debug，易于在规控过

今天继续看端到端的模型，UniAD 是 CVPR 2023 最佳论文候选 介绍 尽管现在大多数产业解决方案分模块来做降低了研发的难度，如上图 a 所示，但是在模块间存在着信息丢失、误差累积和特征错位的

背景 这两天在看轨迹预测的东西，纯轨迹预测的话，输入是感知的结果，包括历史轨迹、大小、速度等信息，输出是几秒的轨迹预测。但是这样的话，就和视觉没什么关系嘞，那么有没有端到端的感知-轨迹预测呢？ ViP

CVPR2023 协同感知相关工作 本文的卖点是：只靠相机的协同感知 3D 目标检测性能优于单车雷达 主要创新点是：协同深度估计。

协同感知中不同车辆的感知模型参数不同，用不同模型做协同存在 Domain Gap，属于 域适应 的研究范畴。并且感知模型的参数也属于商业隐私，不会被直接共享。

多模态融合综述 Multi-modal Sensor Fusion for Auto Driving Perception: A Survey 阅读笔记

V2VNet[ECCV 2020] V2X-ViT[ECCV 2022] CoBEVT[CoRL 2022] Where2comm[NeurIPS 2022]

本文与 Who2com 为同一作者，指出 Who2com 的不足： 浪费带宽的同时，可能会有 Agent 收到有害 Message，由此引出本文的关注点： 建立通信组，决定 when2com

本文提出了协同感知任务：在带宽有限的前提下，通过其它智能体帮助改善感知退化智能体的感知能力。即最大化下游感知任务精度 和最小化带宽使用

本文是遥感图像道路提取方法 RCFSNet 的学习笔记 开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第7天，点击查看活动详情

本文是`NeuLens: Spatial-based Dynamic Acceleration of Convolutional Neural Networks on Edge`的学习笔记

本文是 A Comparative Study of Graph Matching Algorithms in Computer Vision 的学习笔记。

本文是 MCUNet: Tiny Deep Learning on IoT Devices 的学习笔记。

本文是CVPR2022最佳学生论文中主要创新点的参考论文`DSAC - Differentiable RANSAC for Camera Localization`的学习笔记

Generalized End-to-End Probabilistic Perspective-n-Points for Monocular Object Pose Estimation论文学习笔记