创建项目，软件图标修改配置文件module.json5 页面跳转–Navigation组件详情可以查看官方文档

数据数据类型 字符串（string） 数字（number） 状态（boolean） 数据声明let 变量名: 数据类型 = 值; 数组声明let 数组名: 数据类型[] = [值1, 值2, 值3];let titles: string[] = ['标题1', '标题2', '标题3']; 对象声明对象可以包含多个属性，每个属性由键值对组成，键是属

工程目录结构（Stage模型）目录结构1234567891011121314151617├── AppScope > app.json5：应用的全局配置信息，详见app.json5配置文件。├── entry：HarmonyOS工程模块，编译构建生成一个HAP包。（默认项目入口模块） ├── src > main > ets：用于存放ArkTS源码。 ├── src

解决问题 在非常有限的FoV中进行特征提取和选择 鲁棒的离群点剔除：激光雷达的扫描线束和扫描轨迹分布不均匀 移动对象过滤 运动失真补偿 POINTS SELECTION AND FEATURE EXTRACTION受激光雷达在真实物理世界的限制，需要在原始点云信息中提取出好的特征点 分类 按照特定指标选择点 对于每个点计算下列指标 Depth D：点到雷达的距离 laser deflec

SSD锚框选择以每个像素为中心，生成多个锚框 模型结构多次卷积得到不同大小的图（关注范围不同），每次都有一遍锚框选择 YOLO锚框选择将图片均匀分为S*S个锚框，每个锚框去预测多个种类边缘框（避免单个锚框框住多个种类目标）

R-CNN 启发式搜索来选择锚框 通过CNN提取特征 基于锚框的分类和回归 分类: SVM 回归: 线性回归,来获得锚框和目标框的偏移量 兴趣区域（ROI）池化层将不同大小的特征图转换为固定大小的特征图 输入: 特征图, 锚框 输出: 固定大小的特征图 过程: 对每个锚框, 均匀分割为固定数量的区域 对每个区域, 取像素最大值 输出固定大小的特征图 Fast R-CNN改进 改变了

ResNet前言问题：随着网络层数的增加，模型的性能会出现饱和甚至下降,增加更多的层反而不能增加精度想法：使得每一层都包含之前层的信息，从而避免信息丢失，即使深度加深，可以保证精度不会下降太多 残差块将本次输入加到本次输出中 ResNet块残差块可以进行替换组合

批量归一化问题底层参数的变化会导致顶层的较大变化，导致训练效果不好 解决方案批量归一化（Batch Normalization），对每一层的输入进行归一化处理，使得每一层的输入分布保持稳定。 固定每个小批量的均值和方差 对每个小批量的输入进行归一化处理 引入可学习的缩放参数和偏移参数，用于调整归一化后的输出 批量归一化层 可学习的缩放参数和偏移参数 作用位置：全连接层和卷积层的输出，激活函数之

GoogleNetInception模块多个路径从不同·层面抽取信息，然后在输出通道合并，即使不同路径的输出通道数不同，也可以通过1*1卷积层来进行通道数的匹配。 网络结构

NiN前言问题：对于全连接层，在卷积层之后的第一个全连接层的输入通道数是非常大的，这个时候如果使用全连接层，会导致参数数量非常多，从而导致模型的过拟合。 NiN网络NiN块 一个卷积层后跟两个全连接层 全连接层：1*1卷积层 架构 无全连接层 交替使用NiN块和步幅为2的最大池化层（逐步减小高宽和增大通道数） 最后使用全局平均池化层的到输出（输入通道是类别数） 代码定义NiN块12345678