- 博客(505)
- 资源 (16)
- 收藏
- 关注
RSS订阅
原创 ORB-SLAM2中关键知识点理解（ 地图点、关键帧、图结构）
0.1. ORB SLAM2的总体框架是怎样的？下图是论文里的原图，ORB SLAM2一共有三个线程，分别是Tracking，Local Mapping和Loop Closing，其中Tracking是负责提取关键点进行帧间匹配，并且初选关键帧，Loop Mapping是进行关键帧筛选和地图点剔除，同事进行一个局部优化，Loop Closing主要是进行回环检测。2. ORB SLAM2是怎样完成初始化的？在ORB SLAM2进行跟踪前，需要先进行初始化，初始化包括相机初始帧位姿，新建地图，新建关
2022-05-01 01:23:41
4242
原创 SVO（SVO: fast semi-direct monocular visual odometry）
SVO（SVO: fast semi-direct monocular visual odometry）翻译文章目录SVO（SVO: fast semi-direct monocular visual odometry）翻译1、介绍2、系统概述3、符号4、运动估计4.1、 基于稀疏模型的图像对齐4.2、 通过特征对齐松弛4.3、 姿态和结构优化4.4、 讨论5、建图6、 实施细节7、实验结果8、结论1、介绍摘要——半直接法消除了运动估计中昂贵的特征提取和匹配技术的需要，直接在像素级上操作，做到了在高帧
2021-11-23 08:42:20
4474
原创 ORB-SLAM2代码/流程详解
ORB-SLAM2代码详解文章目录ORB-SLAM2代码详解1. ORB-SLAM2代码详解01_ORB-SLAM2代码运行流程1 运行官方Demo1.2. 阅读代码之前你应该知道的事情1.2.1 变量命名规则1.3 理解多线程1.3.1 为什么要使用多线程?1.3.2 多线程中的锁1.4 SLAM主类`System`1.4.1 System`类是ORB-SLAM2系统的主类,先分析其主要的成员函数和成员变量:1.4.2 构造函数1.4.3 跟踪函数2. ORB-SLAM2代码详解02_特征点提取器ORB
2021-09-23 22:34:50
6020
原创 【SchurVINS】一种基于滤波的轻量视觉惯性导航系统
此外，表4和表5中两者的比较也表明，基于EKF的地标求解器和基于GN的地标求解器都能有效、可靠地保证高精度，虽然基于EKF的地标求解器导致精度略有下降，但它可以实现明显较低的计算复杂度。因此很难在资源受限的系统上提供准确的定位，为了解决这个问题，本文提出了SchurVINS，一种基于滤波的视觉惯性系统，综合考量了视觉残差，同时通过Schur操作降低计算复杂度，使得精度和效率的得到了良好的平衡，并在Euroc和TUM-VI数据集上做了充分的实验，和最先进的算法进行了比较，表现十分优异。■2.6 关键帧选择。
2024-04-15 17:21:09
16
原创 【tools】Lokalise 可用于本地化各种类型的应用程序和网站
但是，它可以与各种第三方服务提供商集成，以便您将本地化内容部署到您的应用程序或网站并存储您的数据。它可帮助您简化和加速本地化工作流程，并确保您的应用程序或网站在全球范围内都能获得成功。Lokalise 提供了一系列工具来测试您的本地化内容，包括功能测试、语言测试和文化测试。Lokalise 是一种可扩展的解决方案，可用于本地化各种规模的应用程序和网站。Lokalise 是一款本地化管理平台，可帮助您简化和加速本地化工作流程。测试完成后，您可以将本地化内容部署到您的应用程序或网站。
2024-04-03 15:45:42
618
原创 【3D-GS】Gaussian Splatting SLAM——基于3D Gaussian Splatting的全网最详细的解析
fx1σ2πe−x−μ22σ2fxσ2π1e−2σ2x−μ2其中：μ 是正态分布的 均值，代表数据中心的位置。σ 是正态分布的 标准差，代表数据离散程度。对于一段x区间,进行积分可以得到分布中的数据落在这一-区间的概率,其中绝大多数落在3sigma区域(概率是0.9974)。因此,一组mumumu和sigma/sigmasigma。
2024-03-30 19:00:00
1245
原创 CMAKE_CUDA_ARCHITECTURES set to ‘native’多版本与版本号矛盾问题，报错
【代码】CMAKE_CUDA_ARCHITECTURES set to ‘native’多版本与版本号矛盾问题，报错。
2024-03-28 04:15:56
257
原创 【ML】类神经网络训练不起来怎么办 Loss of Classification 6
表示该样本属于第一个类别的概率为 0.1，属于第二个类别的概率为 0.2，属于第三个类别的概率为 0.7。假设我们有一个二分类问题，正例的概率为 0.7，负例的概率为 0.3。如果模型预测的概率分布与真实数据的概率分布越接近，则交叉熵越小。分类问题：交叉熵可以用来作为分类模型的损失函数，衡量模型预测的类别与真实类别之间的差异。可以看出，当我们预测所有样本都是正例时，交叉熵较小，说明这种预测更接近真实情况。当 P 和 Q 相等时，交叉熵为 0。Softmax 函数的输出是一个概率分布，所有元素的和为 1。
2024-03-28 04:08:22
1044
原创 【ML】类神经网络训练不起来怎么办 5
RMSProp 算法首先计算每个参数的均方根，然后用均方根来调整每个参数的学习率。如果一个参数的梯度变化幅度很大，那么它的均方根也会很大，从而导致它的学习率降低。反之，如果一个参数的梯度变化幅度很小，那么它的均方根也会很小，从而导致它的学习率提高。Small Batch v.s. Large Batch： 详细的优势掠食 对比，在并行情况下，速度持平，除非，大的batch特别大。RMSProp 算法可以有效解决 Adagrad 算法的学习率衰减过快的问题，并且在许多机器学习任务中都取得了良好的效果。
2024-03-27 23:41:16
954
原创 【ML】机器学习任务攻略 4
过拟合是机器学习中一个常见的问题，指的是模型在训练数据上表现得非常好，但在未见过的测试数据上表现不佳。检查模型是否存在过拟合（模型在训练数据上表现很好，但在新数据上表现差）或欠拟合（模型在训练数据上表现也不好）的问题。k折交叉验证是常用的方法，它将数据集分成k个部分，在k-1个部分上训练模型，在剩下的部分上测试模型，然后取平均值作为模型性能的估计。过于复杂的模型可能会导致过拟合，而过于简单的模型可能无法捕捉数据的关键特征。通过结合以上方法，可以有效地处理和避免过拟合问题，提高模型在新数据上的泛化能力。
2024-03-21 22:27:56
1079
1
原创 【ML】逻辑回归、生成式与判别式引出 3
学习目标：判别式模型关注于分类边界，而生成式模型关注于数据的生成过程。数据需求：判别式模型通常需要大量标记数据，生成式模型可以利用未标记数据。输出类型：判别式模型输出分类结果，生成式模型可以输出新的数据实例。应用场景：判别式模型适用于分类和回归任务，生成式模型适用于数据生成、异常检测和无监督学习任务。
2024-03-20 00:10:09
837
原创 【ML】深度学习演进与神经网络反向传播推导 2
神经网络的反向传播（Backpropagation）算法是一种用于训练人工神经网络的监督学习算法。它通过计算网络输出与实际目标值之间的误差来调整网络中的权重，目的是最小化这个误差。反向传播算法的核心是梯度下降法，它利用了微积分中的链式法则来计算梯度。反向传播算法是深度学习领域的基石，它使得复杂的神经网络模型能够通过大量数据进行有效训练。随着深度学习技术的不断发展，反向传播算法也在不断地被优化和改进，以适应更大规模的网络和更复杂的任务。现在网络结构有了，计算和训练过程怎么操作呢？
2024-03-19 23:06:26
745
原创 【Algorithm】0-1背包问题及其价值
0-1背包问题（0-1 Knapsack Problem）是一种组合优化问题，它是背包问题的一个特殊变体。在这个问题中，你给定一组物品，每个物品都有一个重量和一个价值。目标是选择一些物品放入背包中，使得背包中物品的总价值最大，同时不超过背包的最大承重限制。0-1背包问题的特点在于每个物品只能选择0个（不选）或1个（全选），不允许分割物品。给定一个物品集合，其中每个物品i都有一个重量w_i和一个价值v_i。背包有一个最大承重限制W。目标是找到一个物品的子集，使得子集中物品的总价值V。
2024-03-15 15:28:35
762
原创 【Algorithm】经典的算法问题小结
这些问题中的许多都是计算复杂性理论的研究对象，它们在算法设计、优化和理论计算机科学中占有重要地位。解决这些问题的算法和技术通常可以应用于各种实际场景，如网络设计、数据压缩、图像处理、数据库查询优化等领域。你还知道哪些景点算法问题，评论区留言讨论！
2024-03-15 01:52:02
249
原创 【Algorithm】动态规划和递归问题：动态规划和递归有什么区别？如何比较递归解决方案和它的迭代版本？
动态规划（Dynamic Programming，DP）和递归（Recursion）是解决复杂问题的两种不同方法，它们在计算机科学中常用于解决具有重叠子问题和最优子结构特性的问题。递归是一种通过将问题分解为更小的子问题来解决问题的方法。在递归中，一个函数调用自身来解决相同或相似的子问题。递归的关键在于定义递归结束条件，也称为基例（base case）。优点代码通常更简洁、更易于理解。直观地表达了问题的数学定义。缺点可能导致大量的重复计算，因为相同的子问题可能被多次解决。递归深度过深可能导致栈溢出。
2024-03-15 01:47:06
935
原创 【Algorithm】对象列表，可以使用链表，数组，栈，队列和其他数据结构。你将如何决定使用哪一个？最大的优势/劣势是什么
有时候，为了满足特定的性能要求，可能会选择多种数据结构的组合。基于数组（Array）结构实现上述所有提到的列表的基础结构和基本操作，我们需要定义一些类和方法来模拟链表、栈、队列、双端队列、优先队列等数据结构的行为。过程中，需要同时使用链表、数组、栈、队列、双端队列、优先队列和哈希表等数据结构，。通过这种方式，机场航班调度系统可以有效地管理航班的时间表和状态，同时处理紧急情况，确保航班的安全和准时。选择对象列表的数据结构通常取决于列表的使用模式，包括如何访问元素、插入和删除操作的频率，以及内存和性能的考虑。
2024-03-15 01:03:14
1034
原创 【Algorithm】图搜索问题总结，如何在图中进行搜索？每种方法的优缺点是什么？如何决定使用哪一个？
对于无向图和寻找所有连接组件，使用DFS或BFS。对于无权图和寻找最短路径，使用BFS。对于有权图和寻找最短路径，使用Dijkstra算法或A*算法。当内存资源受限时，考虑使用迭代的DFS。如果有好的启发式信息，优先使用A*算法。对于大规模图或特定类型的图（如树），可能需要特殊设计的算法或数据结构。在实际应用中，可能需要根据具体情况对算法进行调整或组合使用不同的算法来达到最佳效果。每种算法的输入和输出都是相同的：输入：迷宫（二维数组），起点（坐标），终点（坐标）。
2024-03-15 00:24:59
981
原创 CMAKE_CUDA_ARCHITECTURES set to ‘native’多版本与版本号矛盾问题，报错
【代码】CMAKE_CUDA_ARCHITECTURES set to ‘native’多版本与版本号矛盾问题，报错。
2024-03-14 18:48:22
390
原创 【ML】ML基本概念与深度学习模型的引出 1
Different types of FunctionsThis course focuses on Deep Learning.输入与输出的差异与机器学习的任务目标Structured Learning（智能呢个范式）create something withstructure (image, document)Regression,Classification损失函数定义：Error SurfaceGradient Descent 最速下降法：模型的修改与优化：测试集与建
2024-03-14 01:29:38
585
原创 【NERF】入门学习整理（一）
在深度学习中，concat操作指的是连接（concatenate）操作，通常用于将两个张量沿着指定的轴（通常是某个维度）进行拼接。位置编码（x,y,z）：主要是为了将图像中的高频信息体现出来，可以大幅提高图片中的细节质量，不受到周边位置平滑的操作的影响。,在获取一定范围采样点的(r,g,b,a)之后需要再进行特定积分运算,最终得到对应像素最终的(r,g,b,a),在训练时通过。输入:是一个五维的相机位姿（x,y,z,Yaw,Pitch）input:(x,y,z,0,φ)代表输入的相机位姿。
2024-03-09 23:46:50
1270
原创 【AGI】大模型 深度学习入门学习路径
48]. 全面总结 Python 机器学习、深度学习库 (含使用示例，按需使用，快速开启人工智能的大门) - 知乎。[6]. llm-course，狂飙13.5K Star，GitHub上最全的开源大模型教程 - 知乎。- bilibili。[69]. MoE(Mixture-of-Experts)架构的大模型具体怎么训练？[30]. 2023年的深度学习入门指南(6) - 在你的电脑上运行大模型 - 稀土掘金。[66]. 万字长文详解 MoE - 超越ChatGPT的开源混合专家模型 - 知乎。
2024-03-05 16:49:58
709
原创 【Mining Data】收集数据(使用 Python 挖掘 Twitter 数据)
[TOC](【Mining Data】收集数据(使用 Python 挖掘 Twitter 数据))
2024-03-05 04:59:30
1133
原创 【DUSt3R】2张图2秒钟3D重建
在这个过程中，数据的维度会根据不同模块的处理而发生变化，具体变化的维度需要根据具体的网络结构和处理步骤来确定。具体网络架构方面，DUSt3R基于的是标准Transformer编码器和解码器，受到了CroCo（通过跨视图完成3D视觉任务的自我监督预训练的一个研究）的启发，并采用简单的回归损失训练完成。Pointmaps是指一种密集的2D场景中的3D点的表示，通常用符号X表示，其维度为RW×H×3。在提供超过两张输入图像的情况下，通过一种简单而有效的全局对准策略，将所有成对的点图表示为一个共同的参考框架。
2024-03-04 23:07:59
1376
原创 【Error fixed】NVIDIA-SMI has failed because it couldn‘t communicate with the NVIDIA driver
重启服务器之后就出现连接不上NVIDIA驱动的情况。这个时候tensorflow还是可以运行的，但只是在用cpu跑。安装gpu版的TensorFlow时，也显示已安装。在终端输入 nvcc -V 发现驱动也在!
2024-02-01 11:20:13
288
原创 【双目】双目精度评估完整方案，可以直接使用（内涵数据，代码和评估报告）
鱼眼相机因其特殊的镜头设计，在近距离拍摄时，图像的畸变（尤其是边缘部分）可能会更加显著，这对特征点的检测和匹配造成干扰，从而影响重建的准确性。而在远距离拍摄时，相对的畸变影响可能减小，导致误差相对较小。：鱼眼相机的畸变模型（如鱼眼镜头的等距畸变模型）在校准和后处理时可能无法完美地模拟真实世界的物理特性，尤其在非常接近相机镜头的区域。：距离、畸变、景深和特征点密度等因素的累积效应可能导致一种现象：即使理论上远距离会有更多的不确定性，但实际应用中由于近距离拍摄存在的复杂问题，使得它在某些情况下误差反而更大。
2024-01-29 11:55:21
290
原创 【双目】基于findChessboardCorners的双目精度评估，可以直接使用
/ 直接指定棋盘格内角点数量，减1已在此处处理。其中棋盘格尺寸尤其容易出错！
2024-01-26 19:53:43
201
原创 【Error fixed】Could not find...DLibConfig.cmake dlib-config.cmake
【代码】【Error fixed】Could not find...DLibConfig.cmake dlib-config.cmake。
2024-01-25 10:59:26
354
原创 【C++】C++封装三大特性
静态成员函数不可访问静态成员函数，原因，静态成员函数初始化在程序初始化的时候完成。静态成员函数只会产生一份函数实例 也即多个类型的对象公用一块代码。this 指针 指向被调用的成员函数所属的对象 使用this变量。深拷贝：在堆区申请空间，进行拷贝操作，需要手工释放申请空间。在类内的非静态成员函数返回自身 return *this。只有非静态成员变量才属于类的对象上。浅拷贝：简单的复制拷贝操作。成员函数 分开存储。
2024-01-24 09:58:07
356
原创 【Triangulation】三角测量
在三维重建中，三角测量（Triangulation）是一种基本的算法，用于利用两个摄像头从两个不同视角拍摄得到的图片中的匹配点来还原一个三维点的位置。具体方法是通过解线性方程组，找到最佳的三维点位置，使得该点在两个摄像机视角下的投影和实际观察到的二维点尽可能匹配。
2024-01-19 16:56:50
1005
原创 【Tools】坐标转换小工具，用于验证坐标间的相互变换是否正确！（python实现）
【Tools】坐标转换小工具，用于验证坐标间的相互变换是否正确！（python实现）
2024-01-17 17:22:27
339
原创 【Animatable 3D Gaussian】3D高斯最新工作，25s重建十人, 炸裂
神经辐射场能够重建高质量的可驱动人类化身，但训练和渲染成本很高。为减少消耗，本文提出可动画化的3D高斯，从输入图像和姿势中学习人类化身。我们通过在正则空间中建模一组蒙皮的3D高斯模型和相应的骨架，并根据输入姿态将3D高斯模型变形到姿态空间，将3D高斯[1]扩展到动态人类场景。本文引入哈希编码的形状和外观来加快训练，并提出与时间相关的环境光遮蔽，以在包含复杂运动和动态阴影的场景中实现高质量重建。在新视图合成和新姿态合成任务中，所提出方法在训练时间、渲染速度和重建质量方面都优于现有方法。
2024-01-16 15:15:38
976
原创 【CVPR2023】人像卡通化（2D图像-＞3D卡通)
人像卡通风格渲染的目标是，在保持原图像 ID 信息和纹理细节的同时，将真实照片转换为卡通风格的非真实感图像。
2024-01-14 20:48:59
1060
原创 【sqlite3】sqlite3在linux下使用sqlitebrowser工具实现数据可视化
【sqlite3】sqlite3在linux下使用sqlitebrowser工具实现数据可视化。
2024-01-11 09:59:20
681
原创 【conda】conda 版本控制和环境迁移/安装conda加速工具mamba /conda常用指令/Anaconda配置
TUNA 还提供了 Anaconda 仓库与第三方源（conda-forge、msys2、pytorch等，查看完整列表，更多第三方源可以前往校园网联合镜像站查看）的镜像，各系统都可以通过修改用户目录下的 .condarc 文件来使用 TUNA 镜像源。注：由于更新过快难以同步，我们不同步pytorch-nightly, pytorch-nightly-cpu, ignite-nightly这三个包。运行 conda clean -i 清除索引缓存，保证用的是镜像站提供的索引。清华大学开源软件镜像站。
2024-01-08 15:14:27
698
原创 【Pytorch】学习记录分享14——视频分析3D卷积
网络架构：上图的发现表明，3×3×3卷积核的均匀设置是3D ConvNets的最佳选择。所有3D卷积滤波器均为3×3×3，步长为1×1×1。为了保持早期的时间信息设置pool1核大小为1×2×2、步长1×2×2，其余所有3D池化层均为2×2×2，步长为2×2×2。所有的3D卷积核都是3×3×3，在空间和时间上都有步长1。所有池化核为2×2×2，除了pool1为1×2×2。最终的特征表示是通过组合所有频道的信息获得的。2D ConvNet效果最差，3×3×3卷积核的3D ConvNet在实验中表现最佳。
2024-01-07 17:13:24
1181
2
原创 【Pytorch】学习记录分享13——OCR(Optical Character Recognition,光学字符识别)
OCR(Optical Character Recognition,光学字符识别)指提取图像中的文字信息，通常包括文本检测和文本识别。
2024-01-04 10:04:35
623
原创 【Pytorch】学习记录分享12——CycleGAN 对抗生成网络变体及其项目实例
CycleGAN项目工程实例及其基本原理，留言0012 获取工程文件 ，可以直接运行！
2024-01-04 09:46:52
318
原创 【NeRF数据集】LLFF格式数据集处理colmap结果记录
以方便python读取，且NeRF模型源码拥有直接对LLFF格式数据集进行训练的配置和模块，便于研究者使用。或者 File 导出 export model，新建名称为sparse保存的位置，sparse文件下的0文件作为输出结果，这里包含具体见上图。得到COLMAP位姿匹配数据后，我们要对每张图片的位姿信息进行格式转换，转换为LLFF格式方便Nerf模型读取。而不是直接输入图像数据，当然也可以，只是存在2个问题，1是收敛速度变慢，2是重建效果变差。配置nerf-pytorch 工程 ，开始训练！
2024-01-03 17:52:14
1490
1
Pytorch学习记录分享13-OCR(Optical Character Recognition,光学字符识别)
2024-01-04
mnist 用于手写体训练与测试，这里包含完整的链接
2023-12-21
SuperPointPretrainedNetwork.zip
2023-10-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人