tgj891的博客

原创 Apollo7感知模块之Lidar Component篇

Apollo7 Perception模块之Lidar Component篇，主要介绍Lidar组件的各个模块的功能。

原创 Opencv之Aruco码的检测和姿态估计

基于Opencv的Aruco码和Aruco码板的检测和姿态估计。

原创 UE4之跨平台像素流送测试

通过UE4自带的像素流送，实现游戏项目通过浏览器进行跨平台展示和操作。

原创 Ubuntu18.04+UE4+Opencv4.4.0+ZED相机接入

基于Ubuntu18.04系统的Opencv+UE4的ZED相机实时接入实现。

原创 Ubuntu18.04+Kbengine+UE4的环境搭建

各位小伙伴大家好，最经在研究UE4+Kbengine的环境搭建和使用，下面给大家分享下搭建的过程。

原创 R3live+PaddleYOLO同步建图和目标检测

通过将目标检测模型集成到r3live，可以实现将建图过程中的动态障碍物进行过滤，提升建图质量。

原创 ubuntu系统制作usb启动盘

最近在做usb系统启动盘，发现在ubuntu下制作太简单了，两行命令搞定，比win下制作还快，不用安装任何软件，实在太方便了，分享给大家。3.制作成功

原创 ROS2学习笔记整理

我最近在学习小鱼ROS2，针对学习的内容简单整理了一下，分享给大家供参考。1.OS层从原来的只支持linux平台变成了支持windows、mac甚至是嵌入式RTOS平台，这一点要点个赞。2.MiddleWare中间件层那么中间层ROS2到底相对于ROS做了哪些优化呢？1.DDS是什么数据分发服务DDS(DataDistributionService)是对象管理组织(OMG)在HLA及CORBA等标准的基础上制定的新一代分布式实时通信中间件技术规范，DDS采用发布/订阅体系架构，强调以数据为中心，提

原创 神经辐射场NeRF之Instant-ngp环境搭建与应用

instant-ngp是目前NeRF领域最快的建模算法，它的出现加快的人人都可以建模的新时代，促进了真实世界模型的数字化发展。

原创 PaddleSeg之语义分割模型部署

模型训练完后，往往在实际应用过程中对实时性都有一定的要求，而python运行效率比较慢，所以需要采用其他加速的部署方案，这里主要介绍下PaddleSeg的C++部署方案。

原创 PaddleSeg之语义分割模型训练

基于百度PaddleSeg模型框架训练自己的数据集进行语义分割应用。

原创 Carla+ROS1联合仿真环境搭建

Carla+ROS1联合仿真

原创 阿里云免费个人Docker镜像仓库搭建

首先进入阿里云官网，如果没有注册的需要先注册，这里就不再讲解了，注册后点击右上角的登录，登录成功后点击右上角的“控制台”进入管理界面。如下图。

原创 摄像头之自动驾驶中的应用

摄像头是自动驾驶核心传感器，是实现自动驾驶众多规划、控制的基础，相比于激光雷达和毫米波雷达，最大的优势在于可以识别车辆周边的环境信息和纹理信息，能够“看到”目标的类型、信号灯的颜色等，类似于人类的眼睛，硬件成本也比激光雷达和毫米波低很多。

原创 Global Shutter和Rolling Shutter之间的区别

快门是照相机用来控制感光片有效曝光时间的机构。是照相机的一个重要组成部分，它的结构、形式及功能是衡量照相机档次的一个重要因素。

原创 CMOS 和CCD的区别

cmos和ccd传感器的区别

原创 TrackIR5头部跟踪设备环境安装

主要介绍TrackerIR5头部跟踪设备软件linuxtrack的环境搭建和使用。

原创 Linux下采用ffmpeg快速制作GIF文件

在Linux下方便快速的制作gif文件。

翻译 Vision Transformer

A N I MAGE IS W ORTH 16 X 16 W ORDS :TRANSFORMERS FOR I MAGE R ECOGNITION AT S CALE1.摘要虽然 Transformer 架构已成为自然语言处理任务的事实上的标准，但其在计算机视觉中的应用仍然有限。 在视觉中，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结构不变。 我们表明，这种对 CNN 的依赖是不必要的，直接应用于图像块序列的纯变换器可以在图像分类任务上表现得非常好。 当在大量数据上进行

原创 第四章基于概率论的朴素贝叶斯分类

第四章基于概率论的朴素贝叶斯分类本章主要讲基于概率论的分类方法：朴素贝叶斯分类，这里本人只是简单进行了梳理，以及代码分享。算法介绍测试代码import osimport numpy as npclass Bayes: def __init__(self): pass def CreateDataSet(self): dataset = [ ["my", "dog", "has", "flea", "problems"

原创 第三章决策树

第三章决策树本章主要讲决策树的概念、适用领域、数据集的划分和决策数的构建，这里本人只是简单进行了梳理，以及构建决策树的代码分享。算法介绍信息熵集合信息的度量方式简称熵，信息的期望值，下面是计算熵的计算公式：其中n是类别数，p(xi)是该类别的概率。条件熵其中pi=P(Y|X=xi)的概率。信息增益详细介绍可以参考链接：https://zhuanlan.zhihu.com/p/41134986ID3算法详细参看链接：https://blog.csdn.net/weixin_43

原创 第二章k邻近算法（机器学习实战）

第二章k邻近算法（机器学习实战）本章主要介绍k邻近算法的基本原理，并附上测试用例代码。算法介绍测试代码测试一简单的算法测试代码，kNN_1.py。from numpy import *def createDataSet(): group = array([[1.0, 1.1], [1.0, 1.0], [0.0, 1.0], [0.0, 1.1]]) label = array(['A', 'A', 'B', 'B']) return group, labeld

原创 第一章机器学习基础（机器学习实战）