目标检测是计算机视觉的一大研究主题，长期以来热度不减。深度学习大规模应用于视觉领域后，目标检测的研究进展飞快，例如：每年各大CV顶会论文，目标检测的主题占很大比例。随着检测准确率的提升，这方面的研究倾向于关注模型效率，追求更高的检测精度和更快的检测效率，同时往往和神经架构搜索结合，探索不同的模型架构，以适配不同的资源条件。本文介绍的这篇论文，是 Google 提出的目标检测模型 —— EfficientDet，实验表明兼具准确率和效率优势，它实际上是一个系列：共有 D0-D7 八个检测器，从最基本的 EfficientDet D0 出发，运用神经架构搜索和模型缩放技术，扩展出了 D1-D7，每种检测器的检测精度和效率不同，满足不同的资源场景的需求。
[Read More]
Mono3D
这篇博客分享的是 CVPR 2016 的一篇论文，该论文研究自动驾驶场景中物体3D检测问题。从时间上来看该文算是自动驾驶3D物体检测
比较早的研究了，其中的方法在当时来看比较前沿，但是现在看有点老旧——部分模块还在用SVM等机器学习模型，因为这个领域的进展非常快，每年都会涌现大量文章，清一色基于深度学习模型。选择分享这篇文章，是因为它比较经典，引用量达接近400 —— 后续文章在做介绍和对比试验的时候不约而同提到了它。
[Read More]
MonoGRNet
这篇博客分享的是 AAAI 2019 的一篇文章。该文研究利用单目相机采集的图片，对汽车进行3D定位和检测；主要的贡献是在3D定位和检测过程中
引入了 geometric knowledge，并在KITTI数据集进行了测试和消融实验，证明了 geometric knowledge 有助于提升3D定位和检测效果；文章称MonoGRNet在Geforce GTX Titan X处理速度为 0.06 sec/frame。
[Read More]
MoNet3D
这篇博客分享的是 ICML 2020 的一篇文章，这篇文章研究的内容是自动驾驶——ADAS中，汽车的3D检测和定位，主要的贡献是在神经网络中引入了邻近汽车的空间几何关系，相当于增加了限定条件，在KITTI数据集上的实验表明这种方法提高了3D检测和定位的准确率；文章称处理速度可以达到 27.85 FPS。
[Read More]
GPU Utility Settings
对于计算机视觉开发和研究，包括其他深度学习研发，几乎避免不了使用GPU设备。在你已经具备GPU硬件设备并
把它正确插到主机的前提下：本篇博客讲解在一台 Linux 系统上（具体是 Ubuntu 18.04 LTS），
如何让软件把GPU设备使用起来，包括CUDA Toolkit安装、环境变量配置等。
[Read More]