Archives

IPList

A free API is provided which provides details about requested IP addresses. The API is available by sending a GET request to the following URL: Source: IPList

基于YOLO的3D目标检测：YOLO-6D – 知乎

2D图像的目标检测算法我们已经很熟悉了，物体在2D图像上存在一个2D的bounding box，我们的目标就是把它检测出来。而在3D空间中，物体也存在一个3D bounding box，如果将3D bounding box画在2D图像上，那么长这样子： Source: 基于YOLO的3D目标检测：YOLO-6D – 知乎

买得起房，修不起房的时代马上要到了 – 知乎

已经到来了，开发商在对各种设备招标的时候，很多都是，价格向二，三线看齐，要求的质量向一线看齐，等过了质保期招标维修保养，又是这个套路，都是掏个长安之星的价格，想要个奥迪A6的车，于是乎，各投标单位把长安之星套个奥迪的壳子中标了~至于中标后的服务是啥自行脑补吧~劣币驱逐良币的市场，大家都知道，但谁也改变不了现状，等到若干年后，电梯老化了，消防也不行了，二次加压的设备也快完蛋了，外墙保温层开始往下掉…花一二百万买的楼，房贷还没还完，就住不成了… Source: 买得起房，修不起房的时代马上要到了 – 知乎

CARLA无人车仿真环境搭建: 避坑攻略 – 知乎

AirSim的视景做得比较好，环境比较细腻，驾驶环境比较复杂，同时包含了多车道、行人、障碍物、环岛等复杂环境，但是AirSim的地图不对外开放，用户能看到的就只有视景显示出来的东西，以及API接口提供的东西。我们不知道车在哪里，没法进行可重复性的测试。 CARLA作为一款专用的无人车仿真环境，相对来说偏学术一些，提供了场景的Map，给出了一系列的Python接口和Python实例，最让人感兴趣的是他们提供了一个benchmark测试程序，可以对同一款自动驾驶仪进行不同场景不同天气不同环境的测试，并给出测试性能评估报告，从这一点来看，CARLA完胜AirSim. Source: CARLA无人车仿真环境搭建: 避坑攻略 – 知乎

AlphaTree：一张RoadMap，四个层次，十个方向百份源码，带你详细了解Gan发展历程 – 知乎

但朋友们对这个不靠谱的脑洞深表怀疑。Goodfellow 转头回家，决定用事实说话。写代码写到凌晨，然后测试… Ian Goodfellow：如果你有良好的相关编程基础，那么快速实现自己的想法将变得非常简单。几年来，我和我的同事一直在致力于软件库的开发，我曾用这些软件库来创建第一个 GAN、Theano 和 Pylearn2。第一个 GAN 几乎是复制-粘贴我们早先的一篇论文《Maxout Networks》中的 MNIST 分类器。即使是 Maxout 论文中的超参数对 GAN 也相当有效，所以我不需要做太多的新工作。而且，MNIST 模型训练非常快。我记得第一个 MNIST GAN 只花了我一个小时左右的时间。 Source: AlphaTree：一张RoadMap，四个层次，十个方向百份源码，带你详细了解Gan发展历程 – 知乎

On-device training with Core ML – part 1

In this series of blog posts we’ll take a deep dive into on-device training. I’ll show how to train a customizable image classifier using k-Nearest Neighbors as well as a deep neural network. Source: On-device training with Core ML – part 1