本文是论文<YOLOv4: Optimal Speed and Accuracy of Object Detection>的阅读笔记，该论文使用大量的trick，在YOLOv3的基础上提出了YOLOv4目标检测算法。在保持YOLO系列速度的同时，精度得到大幅提升。
本文介绍了基于采样的路径规划算法，包括PRM、RRT、RRT*、Kinodynarmic-RRT*等算法，并使用OMPL库进行路径规划测试。
本文是论文<Cross-Iteration Batch Normalization>的阅读笔记，该论文在BN的基础上提出了CBN方法，联合多个mini-batch的样本以及使用泰勒展开式，解决了当batch size太小时BN失效的问题。
本文是论文<CBAM: Convolutional Block Attention Module>的阅读笔记，该论文提出了实现视觉注意力机制的模块CBAM（或称SAM）。CBAM可解耦为通道注意力和空间注意力，可与现存的网络结合，在图像分类和目标检测上达到SOTA效果。
本文是论文<CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN>的阅读笔记，该论文提出了CSPNet，通过在增加一条梯度流通路在减小backbone计算量的同时提高了模型的学习能力。
本文是论文<Path Aggregation Network for Instance Segmentation>的阅读笔记，该论文提出一个实例分割/目标检测算法PANet。PANet在FPN的基础上增加了一个自底向上的架构，同时提出了自适应特征池化方法，融合预测分割掩码，最终在获得COCO 2017实例分割比赛第一名。
本文总结了在树莓派上安装ROS的过程。
本文介绍了基于图搜索的路径规划算法，包括DFS、BFS、贪心算法、Dijkstra、A*和JPS的原理，并在ROS环境中实现了A*。
本文是论文<Densely Connected Convolutional Networks>的阅读笔记，该论文提出了DenseNet架构。DenseNet有几个优点：缓解了梯度消失问题，增加了特征传播，鼓励特征重用，极大减小了特征参数。在各个方面均超越了ResNet。
本文是论文<Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning>的阅读笔记，该论文在Inception-v3的基础上提出了Inception-v4，并将Inception架构和残差网络结合，提出Inception-ResNet-v1和Inception-ResNet-v2网络。
