一、 基础议题 (Basics) 条款 1: 仔细区别 pointers 和 references 没有所谓的 null reference。一个 reference 必须总代表某个对象。所以如果你有一个变量，其目的是用来指向 (代表) 另一个对象，但是也有可能它不指向 (代表) 任何对象，那么你应该使用 pointer，因为你可以将 pointer 设为 nul

函数指针按值传递 C 和 C++ 都不允许你真的把函数作为参数传递给其他函数。取而代之的是，你必须传指针给函数。 比如，这里有一个标准库函数 qsort 的声明: 1 void qsort (void *base, size_t nmemb, size_t size, int (*cmpfcn)(const void*, const void*)); 一旦你忽略了所有的星号，就可以清楚地看出作为 cmpfcn 传递的实参，一个指向函数的指针，是从调用端拷贝（也就是，值传递）给 qs

1. 背景 / Motivation 1.1 为什么视觉感知要用 BEV？ 相机图像描述的是一个 2D 像素世界，然而自动驾驶中利用相机感知结果的后续决策、路径规划都是在车辆所处的 3D 世界下进行。由此引入的 2D 和 3D 维度不匹配，就导致基于相机感知结果直接进行自动驾驶变得异常困难。 这种感知和决策规划的空间维度不匹配的矛盾，也

近年来，基于鸟瞰图 (BEV) 表示的感知任务越来越受到关注，BEV 表示有望成为下一代自动驾驶车辆 (AV) 感知的基础。现有大多数的 BEV 解决方案要么需要大量资源来执行车载推理，要么性能不佳。本文提出了一种简单而有效的框架，称为 Fast BEV，它能够在车载芯片上执行更快的 BEV 感知。为了实现这一目标，作者

操作区间的函数 有时候你需要把整个区间提炼成一个单独的数，或，更一般地，一个单独的对象。 对于一般需要的信息，count 告诉你区间中有多少等于某个值的元素，而 count_if 告诉你有多少元素满足一个判断式。 区间中的最小和最大值可以通过 min_element 和 max_element 获得。 但有时，你需要用一

前言 Effective-STL 总结系列分为七部分，本文为第一部分，涉及原书第一章，内容范围 Rule01~12。为方便书写，Rule12 简写为 R12。 Effective-STL 系列 List 本博客站点系列内容如下： 💡 Effective STL (第 3 版) 精读总结 (一) 💡 Effective STL (第 3 版) 精读总结 (二) 💡 Effective STL (第 3 版) 精

STL 中 copy 算法 STL 有很多有趣的地方，其中一个是虽然有 11 个名字带 “copy” 的算法，但没有一个是 copy_if。 copy copy_backward replace_copy reverse_copy replace_copy_if unique_copy remove_copy rotate_copy remove_copy_if partial_sort_copy unintialized_copy 如果你只是简单地想要拷贝一个区间中满足某个判断式的元素，你只能自己做。 自己实现 假设你有一个函数来决定一个 Widget 是否有缺陷的： 1 bool isDefective (const Widget& w); 而且你希望把一个 v

前言 Effective-STL 总结系列分为七部分，本文为第七部分，涉及原书第七章，内容范围 Rule43~50。为方便书写，Rule43 简写为 R43。 Effective-STL 系列 List 本博客站点系列内容如下： 💡 Effective STL (第 3 版) 精读总结 (一) 💡 Effective STL (第 3 版) 精读总结 (二) 💡 Effective STL (第 3 版) 精

怎么使用 STL 来进行忽略大小写的字符串比较？如果你忽略国际化问题而且只关注于设计成字符串 strcmp 那样的类型，这个任务很简单。 如果你要有 strcmp 不具有的按语言处理字符串中的字符的能力（即，容纳文本的字符串是除了英语以外的语言）或程序使用了区域设置而不是默认的，这个任务很困难。 想要使用忽略大小写

一、 基本定义 假设给定事件 $x$, 则我们有以下定义: Probability: 取值 0~1 $$p (x) 或 q (x)$$ Information: 对$p(x)$ 取对数，加符号得正值 $$I(p)=-\log p(x)$$ 概率越高，包含的信息小，因为事件越来越确定。相反，概率越低，包含的信息越多，因为事件具有很大的不确定性。 (Shannon) Entropy (信息熵): $p(x)$ 对$I(x)$ 平均 $$ \begin{aligned} H(p)& =\mathbb{E}_{x\sim P}[I(p)] \ &=\sum p(x)I(p) \ &=-\sum