Junseer的博客

由于 NTU120 数据集规模较大，实验耗时较长，因此我将数据规模缩减至原来的一半，同时保持样本的分布不变。我采用了简单的数组切割方法，确保了各类别样本和划分前一样的均匀分布。

我结合了Notion Integration 和 scholarly 两种工具，实现 Python 自动化脚本获取文章在谷歌学术的引用量等信息，高效自动更新 Notion-based 文献数据库。文章提供的 Notion +Python 实现自动化工作流的简单示例，可以轻松适配到 Notion 中需要批量数据更新的任何场景。

文献管理工具往往无法实时更新文章的引用量信息。我通过 scholarly 和 Google Scholar API 两种方法，实现Python自动化脚本获取文章在谷歌学术上的引用量等信息，从而高效地更新自己的文献数据库。

HiRT 通过异步处理的策略，将 VLM 作为低频慢思考过程，将轻量的动作策略模型作为高频快响应过程 ，以此解决 VLA 驱动带来的控制时延问题。这是本菜看的第一篇具身智能相关的论文，理解总结不当处欢迎批评指正！

模型性能不理想时，如何判断 Model Bias， Optimization， Overfitting 等问题，并以此着手优化模型。在这个分析过程中，我们可以对Function Set，模型弹性有直观的理解。

本菜在复现点云文章过程，遇到了三种 KNN 的实现方式：knn、knn_point、knn_cuda，故在此一并对比总结，最后对三种实现方案进行了性能比较。

当 input feature 在不同 dimension 上差距很大的时候，会产生一个非常崎岖的误差平面。这种崎岖多变的误差平面容易导致训练陷入困境。Batch Normalization 则是通过直接改变 input feature 的分布，得到一张均匀、光滑的 error surface，使得训练变得容易。

图像卷积的经典思想：将周围的像素信息加权到中心像素点上，以实现降采样和特征的聚合。点云亦是如此：先通过采样选取中心点，然后找到中心点周围的邻域点，最后将邻域点的信息聚合到中心点上。这样便实现了 “降采样，聚合特征” 的效果。上代码！

因为本菜之前学过深度学习和计算机视觉的课程，虽然这节课大部分还是老生常谈的东西，但是细品又有新东西：KNN算法思想永垂不朽，线性分类矩阵又为何是图像收集器？本文带您循序渐进，逐步揭晓。如有理解不妥之处，欢迎批评指正~

如果我指定了 “CUDA:5” 进行调试，程序就会出现如下的报错；但如果我用 “CUDA:0” 运行程序，就能够正常运行，不发生程序报错。本质是 CUDA_VISIBLE_DEVICES 无效设置导致的。

因为本菜之前学过深度学习和计算机视觉的课程，所以感觉这节课大部分还是老生常谈的东西。在这里记录本节课的关键内容，最后谈谈本节课带给我的一些思考。如有理解不妥之处，欢迎批评指正~

做科研的时候我们都需要配置各种各样的虚拟环境，如果你的服务器已经有很多虚拟环境了，我想告诉你：不用配置！不用配置！不用配置！秘诀就是在所有环境中找到一个最匹配的环境，直接复制来用。即便你已经对conda的环境配置驾轻就熟，这种方法依然能够节省你大量的时间。

在这个由0和1编织的数字世界里，计算机视觉的发展史就是一部关于如何让机器学会‘看’的史诗。我结合CS231n课程内容以及互联网资源大致梳理了其发展脉络。从1959年猫的视觉神经实验，到深度学习在21世纪的爆发，计算机视觉的旅程充满了智慧的闪光和意外的曲折。

if (表达式1 || 表达式2 || 表达式3......) 由于逻辑运算符的短路特性，各个条件表达式的顺序并不是严格平行的，应该严谨地考虑实际的逻辑顺序。

利用对顶堆（最大堆与最小堆），保持两堆大小平衡，实现动态数据流中高效的中位数计算。

使用优先队列（priority_queue）来实现大根堆和小根堆。在维护两个堆平衡的过程中，需要使用 priority_queue.size() 来判断两个堆的大小。因为 .size() 返回的是无符号类型，直接进行减法运算会导致错误。

通过优先队列（`priority_queue`）找到并输出一组二次函数中的最小函数值。每次从堆中取出当前的最小值，输出后将对应函数的`x`值递增，计算新的函数值，并将更新后的函数重新压入堆中。这个过程重复`res_num`次，确保每次输出的都是当前可能的最小函数值。简单来说，若F(1)取到最小函数值，那么F(2)大概率也会很小，也必须压入堆中。

pointnet2_ops_lib 的furthest_point_sample 最远点采样函数，最后得到的采样结果总是和标准的 FPS 函数不一致。发现是核心代码的 mag 变量导致。

关于最远点采样 FPS 的实现，本文总结了广为流传的farthest_point_sample 函数和 pointnet2_ops_lib 工具包中 furthest_point_sample 函数实现上的差异，并且给出了造成这种差异的原因分析和解决方案。

使用新配的虚拟环境运行 jupyter notebook 单元格，运行单元格出现错误“运行单元格需要安装ipykernel包或需要进行更新”的报错信息，尝试了常规的解决办法都行不通，卸载重装后解决。