The Blog of Star Rain

对论文 PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry (arXiv:2206.00266, 2022) 的阅读整理。

关于论文 CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure (ICRA 2022) 的阅读总结。

关于论文 Deformable DETR: Deformable Transformers for End-to-End Object Detection (arXiv:2010.04159v4 [cs.CV]) 的阅读总结。

对论文 Progressive End-to-End Object Detection in Crowded Scenes (CVPR 2022) 的阅读整理。

传统 CNN 中，训练完成后所有 kernal 参数则固定。对于任意的输入，所有的 kernal 都对他们同等对待。所以为了提高模型 capacity，大多数方法堆叠卷积层（深度）或者增加卷积层的 channel 数（宽度），这种做法一定程度上可以提升模型能力，但会降低计算效率。

为了压缩模型，在增加模型 capacity 的同时不会增加太多参数和计算量，动态卷积在训练结束后，kernal 不再是一个定值，而是一个由 input 决定的变量。因此 kernal 相当于一个以 input 为自变量的函数。这种做法变相增加了模型 capacity，而模型参数和计算量是非常小的。

关于稀疏 R-CNN 的理论整理。

本文结合网络资源对匈牙利算法进行整理。

注意力机制在 Transformer 中很常见，目前也经常被用于计算机视觉当中。本文整理总结了网络上关于注意力机制的介绍。

对论文 IMLS-SLAM: Scan-to-Model Matching Based on 3D Data (ICRA, 2022) 的阅读整理。

稀疏卷积常用于 3D 项目，如 3D 点云分割，由于点云数据是稀疏的，无法使用标准的卷积操作。同理，2D 任务中，如果只处理其中一部分像素，也需要使用稀疏卷积，这样有助于模型加速。本文是关于稀疏卷积的相关网络资料的整理。