迁移学习
    以EfficientNet为主干网络，用comprecars训练，而后用KITTI测试

    1. 不同距离（不同方法） 绝对误差和相对误差，图和表，设置和人家不同距离范围和分组的统计数据（）
    2. 不同角度（对比福大） 两种误差
    3. 遮挡度（对比福大）
    4. 截断程度 （kitti图10示例，截断程度0.8；）
    5. 可视化

    数据集：10示例，截断程度0.8；424侧面车身
    评价标准：测距速率和准确率和鲁棒性

    通过修剪网络提高速度

    距离几何模型：车身高度、
    宽度（18微软）：20-36m（通过类别确定真实宽度，kitti数据集测试结果，静态图片）；、

    面积之比（19福大acess）：通过训练cnn获取车辆角度和实际尺寸，但是压根没说怎么做的
    （18福大4区）：分类模型的检测和评估（通过类型确定车辆实际尺寸）；验证对比

    （20福大trans）：距离（对比不同方法）、遮挡度、视角（无对比只看自己结果）；3D检测模块的优势；面积距离模型的优势；可视化

    尤其是车牌实际尺寸都有国标确定（同济19文章结尾有说）
    高度（16北科大）：将gps距离作为GT，测了5-30米的数据
    面积之比（16长大）：5-50米的数据，相对误差，包括静态和动态
    车牌宽度（19同济）：0-120米，相对误差

    （看能否尝试，在雨雾黑夜天气，使用：基于可见光通信的低分辨率摄像机的车距估计方法）
    激光雷达的问题，通过反射获取目标信息，对于白色车子效果明显，对于黑色车子则不好

    测试子集：不同的距离范围，截断度、遮挡度和视角。

    数据标签：
    Pedestrian 0.00 0 -0.20 712.40 143.00 810.73 307.92 1.89 0.48 1.20 1.84 1.47 8.41（距离） 0.01
    物体类别 截断程度 遮挡程度 观察角度 二维边界框xmin，ymin，xmax， ymax 高 宽 长 3维物体位置 空间方向

    统一以车辆Z坐标为车距（严谨来说，只有车辆在正前方车距才为Z）
    已证明在车辆某一面与本车前进方向垂直的情况下，如果Zc相等，在不同观察角度和不同rotation_y角度下投影长度相同

    系统模型
    image.png
    实验 - 图2