转载请注明作者和出处：http://blog.csdn.net/c406495762(https://www.oschina.net/action/GoToLink?urlhttp%3A%2F%2Fblog.csdn.net%2Fc406495762)嵌入式平台(Target)：JestonTX1OpenCV：

按：上周日（6月3日），在加利福尼亚，2017年图灵奖获（2018年3月21日公布）得者Hennessy和Patterson做了图灵奖lecture：ANewGoldenAgeforComputerArchitecture:DomainSpecificHardware/SoftwareCoDesign,EnhancedSecuri

在基于激光的自动驾驶或者移动机器人的应用中，在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需要在动态的感知环境中感知到周围发生变化或者移动的对象，在感知系统中，将图像或者点云数据预处理成单个物体是进行进一步分析的第一个步骤。在这篇文章中就提出了一种十分高效的分割方法。首先是将扫描到的点云移除平面处理，然后移除平面后一定范围内的点云数据分割成不

按：上周日（6月3日），在加利福尼亚，2017年图灵奖获（2018年3月21日公布）得者Hennessy和Patterson做了图灵奖lecture：ANewGoldenAgeforComputerArchitecture:DomainSpecificHardware/SoftwareCoDesign,EnhancedSecuri

近年来，注意力机制在各项深度学习任务中表现出色。研究表明，人类视觉感知过程中，注意力机制发挥了积极的效果，可以帮助人们高效和自适应的处理视觉信息并聚焦于显著的画面区域，从而能够做出最准确的判断。因此，通过模拟视觉注意力机制，在网络结构中加入注意力模块，使模型可以更加关注待分类图像中的关键信息，抑制不相关的特征信息，促使模型对重要的特征区域更加敏感，从而有效提升相关任务的性能。本文简要介绍一种经典的混合注意力模型CBAM。