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。
本文是论文<Xception: Deep Learning with Depthwise Separable Convolutions>的阅读笔记，该论文基于Inception模块和深度可分离卷积，提出了深度卷积神经网络：Xception。Xception的参数量与Inception V3差不多但是精度胜过了。
本文是论文<MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications>的论文笔记。该论文提出了一个轻量级的骨干网络：MobileNet，该网络在深度可分离卷积的基础上构建。实验表明该网络在大幅提升速度、减小模型的情况下可以达到经典网络的精度。
本文总结了IROS 2019 Lifelong Robotic Vision: Object Recognition Challenge的比赛结果。
本文在总结终生学习（Life Long Learning, LLL，又称为增量学习Incremental Learning、Continuous Learning、Never Ending Learning）的概念，存在的问题以及当前的解决方案。
本文是论文<Focal Loss for Dense Object Detection>的阅读笔记，该论文提出了一个新的损失函数Focal Loss 用于解决样本不平衡的问题，并在此基础上提出一个新的目标检测模型：RetinaNet。基于ResNet和FPN，RetinaNet的检测精度大幅超越了其它单阶段、两阶段的目标检测算法。
本文是论文<SOLO: Segmenting Objects by Locations>的阅读笔记，这篇论文提出了SOLO实例分割模型，引入实例类别的概念，将实例分割问题转换为分类问题。SOLO在COCO数据集上达到SOTA。
