- 博客(31)
- 收藏
- 关注
RSS订阅原创 三维点云中语义分割、实例分割、全景分割的区别与联系
它旨在对每个点同时进行语义标记和实例区分，包括区分“物体”（可数的独立实体）和“材质”（如道路、天空、草地等广泛分布且通常不可数的背景元素）。全景分割的目标是生成一个完整的、无缝的场景视图，每个点都具有明确的类别和实例信息。实例分割旨在进一步深入，不仅识别出每个点的类别，还要区分出不同的个体实例。而实现高效的全景分割通常需要结合先进的深度学习技术，处理和优化这些复杂的模型仍是当前研究的热点。语义分割只关注类别，实例分割进一步区分同类别中的不同个体，全景分割则是最全面的，既包括实例信息也包括材质类别。
2024-04-18 17:31:53
648
原创 Timer 与按键消抖的应用（复盘总结）
因为通常的按键所用开关为机械弹性开关，当机械触点断开、闭合时，由于机械触点的弹性作用，一个按键开关在闭合时不会马上稳定地接通，在断开时也不会一下子断开。因而在闭合及断开的瞬间均伴随有一连串的抖动，为了不产生这种现象而作的措施就是按键消抖。消抖是为了避免在按键按下或是抬起时电平剧烈抖动带来的影响。按键的消抖，可用硬件或软件两种方法，在实际的设计中，为了节省硬件成本，大多数情况会选择使用软件消抖。
2023-06-20 15:10:22
810
2
原创 【图神经网络】个人综述分享
随着计算机行业和互联网时代的不断发展与进步，图神经网络已经成为人工智能和大数据重要研究领域。图神经网络是对相邻节点间信息的传播和聚合的重要技术，可以有效地将深度学习的理念应用于非欧几里德空间的数据上。简述图计算、图数据库、知识图谱、图神经网络等图技术领域的相关研究历史，分类介绍不同类型的图结构。分析对比不同的图神经网络技术，重点从频域和空间与的信息聚合方式上分类比较不同的图卷积网络算法。
2023-06-19 17:35:21
343
原创 Typedef、 Const、#define三者的区别和联系
修饰的是这个指针指向的内容不允许修改,这个指针的地址可以改变。错误：在c语言中n并不是真正意义上的常量，它还是变量 ，对于数组来说必须要开辟一个准确的数组大小，C++中是可以编译过去。修饰的指针，表示这个指针的地址不可以修改，地址的内容可以修改。//这样也是错误的，数组必须是确定的。是一样的都是修饰变量a为常量。//a是int * a, b是 int* b。//a是int * a, b是 int b。补充：int *p，q表示p是指针变量，q是int变量。
2023-06-06 11:11:54
268
原创 【通信协议篇】IIC协议（串行同步半双工 高----＞低）学习记录
在SCL为低的时候发送方修改自己的电信号为自己想要发送的信号，在SCL为高的时候接收方就会去总线上读取SDA的数据，这个时候发送方的电信号不能变，不然接收方就不知道你是1还是0，这样就发一个数据位就接收方就收一个bit，不会存在时间误差。主机发起起始信号---->主机发送目标器件的地址+读写方向--->器件应答------主机发送从机的寄存器地址----->器件应答。主机发送一个字节：字节里面指明要和谁通信和通信的方向是读还是写，这个时候其他器件就回去比较自己的器件地址，看看是不是自己，
2023-06-04 22:33:27
209
原创 【QT】关于QT在UI编辑界面中子类继承了父类属性导致label和push button的背景总是与窗口背景相同的问题（完美解决）。
是因为label和push button直接拖到QWidget（这里指你所设定的父类窗口，即所描述的你想要编辑的窗口）时，那么label和push button为QWidget的子类（又称派生类），QWidget为其父类（又称基类），则子类将默认继承父类的属性（包括字体、背景、颜色等属性）。所以在父类窗口中放入任何形式的子类都将与父类属性保持一致。这里一定要注意的是针对改变的是父类（在本案例中为widget）属性。只有指定的Widget背景改变，widget内部控件背景不变。
2023-06-04 22:03:49
713
原创 【三维点云分割】 adaptive_avg_pool2d解释示例
与传统的池化方法不同，自适应平均池化（Adaptive Average Pooling）能够根据输入的形状自动调整输出的形状。具体而言，它通过指定期望的输出特征图大小，自动计算需要做多少步采样，并对每个采样区域上的特征值取平均值作为输出的特征值。因此，adaptive_avg_pool2d可以方便地处理各种输入大小到同样大小的输出大小的问题。常规的池化操作如最大池化、平均池化等都是固定的池化核大小，这样会导致在不同输入大小的情况下，最终得到的特征图的大小也会不同。
2023-04-27 14:12:33
1083
原创 【三维点云】Point Transformer核心代码详细注释（自学记录）
Point Transformer是一种基于注意力机制的点云处理方法。给定一个输入点云，Point Transformer将点云中每个点的位置信息和特征信息作为输入，然后通过一个带有多头注意力机制的Transformer模型来学习一个新的点云表示。通过 MLP 与位置编码引入了空间信息，并利用基于注意力机制的 Transformer 模型实现了关系学习任务，能够自适应地利用输入的局部点云信息学习全局特征表示。
2023-04-17 23:09:42
2645
1
原创 【三维点云笔记】点云数据增强中随机dropping color的作用、流程、代码实现。
在点云数据增强中，随机dropping color是一种常用的数据操作过程，它的目的是改变点云数据的颜色分布，从而增加模型的鲁棒性和泛化性能。随机dropping color可以使得数据增强后的点云数据更加具有随机性和多样性，可以增加模型的泛化性能，避免过拟合。通过随机去除部分点的颜色信息，可以使模型更加关注点云的几何结构而不是颜色信息，从而提高模型对噪声、变形和遮挡等情况的稳健性。通过随机去除颜色信息，可以使得点云数据的颜色分布更加复杂和多样化，能够帮助模型更好地应对现实场景中的各种颜色分布变化。
2023-04-17 11:45:49
340
1
原创 【ubuntu指令复盘总结】ubuntu详细全面的指令总结
示例：mv file.txt /Documents/backup.txt 将文件file.txt重命名为backup.txt并将其移到Documents目录中。示例：rm /home/user/Documents/Example.txt 删除Documents目录中的Example.txt文件。示例：cat /home/user/Documents/Example.txt 显示Example.txt文件的内容。示例：cd /home/user/Documents 转到名为“Documents”的目录中。
2023-04-17 11:25:37
384
原创 【华为OD-c/c++面经】——嵌入式软件开发
哈希函数的核心思想是将大量数据映射到有限的空间中，这样就可以通过使用一些快速的数据结构，例如哈希表，快速地查找和处理数据。哈希函数的特点是输入值的任何小的变化都会导致输出值的不可预知的变化，因此它们通常在密码学、数据完整性和安全编码等领域中得到广泛应用。链表是一组通过指针连接起来的节点组成的数据结构，允许动态的插入和删除元素，并且不需要预先知道链表的大小。外部中断通常是由外设产生的，例如按键、温度传感器等，可以通过 GPIO 外部中断、外部中断控制器（EXTI）或者外设自身的中断线来触发。
2023-04-10 23:03:37
1199
3
原创 【LeetCode】 字符串转换整数 (atoi)
请你来实现一个 myAtoi(string s) 函数，使其能将字符串转换成一个 32 位有符号整数（类似 C/C++ 中的 atoi 函数）。大于 32 位有符号整数的最大值或者小于 32 位有符号整数的最小值时，需要直接返回边界值。变量来记录正负号，遇到 ‘-’ 号时，符号为负，遇到 ‘+’ 号时，符号为正。在处理过程中，需要考虑溢出的情况，当。在上面的代码中，使用了一个。对于数字转换，使用了一个。有了以上思路，接下来需要逐步实现代码。相乘的结果，即可得到最终结果。变量来记录数字，并使用。
2023-04-07 22:52:16
86
原创 【LeetCode】字符串转换整数 (atoi)
5.如果整数数超过 32 位有符号整数范围 [−231, 231 − 1] ，需要截断这个整数，使其保持在这个范围内。具体来说，小于 −231 的整数应该被固定为 −231 ，大于 231 − 1 的整数应该被固定为 231 − 1。如果转换后的整数超出了32位整数的范围，则返回INT_MAX（231 - 1）或INT_MIN（-231）。4.将前面步骤读入的这些数字转换为整数（即，"123" -> 123， "0032" -> 32）。转换后的结果需要判断是否超过了32位有符号整数的取值范围。
2023-04-06 22:24:14
271
原创 【LeetCode】两数相加
每次循环将 l1 和 l2 的对应节点的值相加，结果加上进位值 carry，将进位变量 carry 和相加结果之和的个位数设置给新结点 curNode，然后向 curNode 和 l1/l2 指向的结点移动。这两个数按照逆序方式存储，即个位排在链表首部。求它们的和，并以相同形式返回一个表示和的链表。给你两个 非空 的链表，表示两个非负的整数。可以使用头插法和按位相加的方法，即从低位到高位逐位相加，若相加和大于等于10，进位1。时间复杂度：O(max(m, n))，其中 m 和 n 分别是两个链表的长度。
2023-04-02 16:08:19
47
原创 【Linux】ubuntu16.04/18.04没有有线网络连接标识（百试不爽，完美解决）双系统为例windows+Ubuntu记录
1.终端输入lspci，查看网卡型号。（我的网卡驱动是1219-V，所以本文只针对1219-V网卡驱动）3.本地解压并进入目录：/home/wzs/e1000e-3.8.4/src。4.在空白处右击---选择在终端打开。
2023-04-01 18:24:04
1303
原创 【三维点云分割】——个人学习总结 Contrastive Boundary Learning for Point Cloud Segmentation
对比学习（contrastive learning）_Cziun的博客-CSDN博客4.1 优点：文章实验设计和写作逻辑很值得去学习。这应该是能发表在CVPR2022上的最大贡献。点云分割中边界影响分割精度，而且之前没有人去做。边界问题那我就解决边界，首先我得找到边界，如何找呢？在GT上去做SA(采样分组)一贯动作。然后找不同语义的局部邻域。把它看作边界。找到之后我就去借助GT去进行对比学习，拉大局部领域内不同语义点之间的差距。
2023-04-01 12:27:14
643
1
原创 【三维点云分割】Contrastive Boundary Learning for Point Cloud Segmentation
点云分割是理解3D环境的基础。然而，目前的三维点云分割方法对场景边界的分割效果较差，影响了整体分割效果。本文主要研究场景边界的分割问题。因此，我们首先探讨在场景边界上评估分割性能的指标。为了解决在边界上的性能不理想的问题，我们提出了一种新的对比边界学习(CBL)框架用于点云分割。具体而言，提出的CBL通过在多个尺度上借助场景上下文对比点的表示，增强了跨边界点之间的特征区分。
2023-04-01 11:29:27
684
原创 【LeetCode-剑指offer】
然后，我们遍历数组，计算相邻两个点之间的距离，并找到距离的最大值，即可得到最宽垂直区域的宽度。最后，程序返回最大的间隔，即为最宽垂直区域的宽度。题目中给出了一些二维平面上的点，在垂直方向上，这些点之间的间隔是无限大的，所以我们需要找到在x轴上最大的间隔，即相邻两个点之间的距离的最大值。需要注意的是，由于输入的点数可能很大，我们需要使用较为高效的排序算法来对输入数据进行排序。最宽垂直区域 为宽度最大的一个垂直区域。遍历排序后的数组，计算相邻两个点之间的距离，并找出距离的最大值，即可得到最宽垂直区域的宽度。
2023-03-30 12:28:28
51
原创 基于STM32中药烘干存储系统的设计
在烘干的过程中，通过单片机对环境进行监测，如温度、湿度等，并自动控制电机、加热器等外围设备的开启和关闭，以实现烘干过程的自动化控制。总之，基于单片机的中药烘干存储系统是一种高度集成的物料处理系统，通过自动控制、环境监测和数据存储等模块，可以实现对中药材的高质量烘干和精细化保管。系统需要安装温湿度传感器等环境监测设备，以实时监测烘干房内的环境情况，并通过单片机获取传感器的数据，并根据设定的标准参数，对温度、湿度等环境参数进行自动控制，保持烘干房内的恒温恒湿状态，从而提高中药材的烘干质量。
2023-03-29 16:23:41
382
原创 【嵌入式软件开发-面试问题】：linux中的线程一般是怎么调度的？
Linux 内核中定义了多种调度策略，默认情况下使用了时间片轮转调度策略（Time-sharing scheduling policy），即每个线程被分配一个时间片，当时间片用完，操作系统就会立刻切换到下一个就绪态的线程。内核会根据被调度的线程的状态、优先级、调度策略等因素进行调度决策，然后将 CPU 分配给相应的线程来执行。总之，在 Linux 中，线程的调度是由内核完成的，内核会根据线程的状态、优先级、调度策略等因素进行调度决策，以尽可能高效地利用 CPU 资源。
2023-03-29 10:37:55
342
原创 【嵌入式软件开发-面试问题】c与c++的区别
总之，C++ 语言相比于 C 语言来说支持的特性更加丰富，可以更好地支持面向对象编程，同时也包含 C 语言的大部分特性。数据类型：C 语言的基本数据类型包括整型、字符型、浮点型等，而 C++ 语言新增了布尔型、字符串型等数据类型，并支持用户自定义数据类型。标准库：C++ 语言的标准库比 C 语言的标准库更加丰富，包括了 STL（标准模板库）等，能够方便地支持泛型编程。命名空间：C++ 语言支持命名空间的概念，可以将一组相关的函数、变量、类等放在同一个命名空间下，避免命名冲突。
2023-03-29 10:34:30
187
原创 【LeetCode-剑指offer】10-II 青蛙跳台阶问题
根据题目要求需要对最终结果取模 1e9+7（1000000007）。在计算过程中也需要对中间结果进行取模，以避免数据溢出，这可以在每次计算。答案需要取模 1e9+7（1000000007），如计算初始结果为：1000000008，请返回 1。级台阶的跳法总数，因为每次只能跳 1 级或 2 级，因此。希望以上注释能够帮助您更好地理解代码实现的具体细节。这是一道经典的斐波那契数列问题。（跳到第 0 级或第 1 级只有一种跳法）。
2023-03-28 17:26:48
62
原创 【显卡配置】其实很简单，按照这个比例配置就可以了：
比如说我们上了2张3090显卡叠加显存是48GB（每张24G显），那机器的内存建议上到192GB。（48*4=192GB），预算有限的话稍微降低一点也是可以的。
2023-03-28 09:09:20
1549
1
原创 Transformer 课程笔记
2018年10月，Google发出一篇论文《BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding》，BERT模型横空出世,并横扫NLP领域11项任务的最佳成绩!论文地址:而在BERT中发挥重要作用的结构就是Transformer,之后又相继出现XLNET，roBERT等模型击败了BERT，但是他们的核心没有变，仍然是:Transformer.
2023-03-28 09:07:49
64
原创 [PointNet代码详解]PointNet各模块代码实现超详细注释
网络分成了分类网络和分割网络两个部分，大体思路类似，都是设计表征的过程分类网络设计global feature，分割网络设计point-wise feature两者都是为了让表征尽可能discriminative，也就是同类的能分到一类，不同类的距离能拉开。因此，该模型需要能够从附近的点捕获局部结构，以及局部结构之间的组合相互作用。例如，同时旋转和平移点不应该改变全局点云的类别，也不应该改变点的分割。它有三个主要的属性:与图像中的像素阵列或体素网格中的体素阵列不同，点云是一组没有特定顺序的点。
2023-03-27 10:51:41
747
1
原创 嵌入式硬件系统的组成——嵌入式最小硬件系统
嵌入式系统由嵌入式硬件系统及嵌入式软件系统构成。其中，嵌人式硬件系统又由嵌入式处理器、存储器、V/O接口等构成。从系统运行的角度，嵌入式硬件系统可以分为嵌入式最小硬件系统和典型嵌入式硬件系统。提供嵌入式处理器运行必备条件的硬件电路与嵌入式处理器共同构成了嵌入式最小硬件系统。而大多数基于ARM处理器核的处理器芯片都有调试接口。嵌入式最小硬件系统的组成如下图所示。
2023-03-24 17:13:38
2663
原创 简单高效且快速恢复U盘、硬盘数据。
u盘中的数据文件不小心删除，但是移动存储设备删除的数据无法备份到我的电脑的回收站中，不要着急。按照下面的步骤可以轻松找回u盘、移动硬盘、甚至本地磁盘中的数据。有MBR分区和GPT分区。因磁盘不同分区格式而定。3.打开软件运行DiskGenius.exe文件。DiskGenius – 正式版下载|免费下载。(2)找到所需恢复数据的U盘或硬盘。（1）点击你要恢复数据的磁盘分区。2.移动硬盘、U盘数据文件恢复。（5）选中恢复的数据文件。1.本地磁盘恢复数据。(3)点击恢复文件。（6）将文件另存为。
2023-03-24 10:14:51
322
翻译 Transformers in 3D Point Clouds A Survey（翻译）
2022年三维点云最新综述 针对transformer在三维点云中的应用总结
2022-08-16 17:38:59
1827
原创 PointNeXt：个人阅读笔记（WZS的博客）
我们发现，性能提高的很大一部分是由于改进了培训策略，即数据扩充和优化技术，以及增加了模型大小，而非架构创新。
2022-08-13 10:30:46
1474
8
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人