海鸥丸拉面-CSDN博客

原创 Point-NeRF总结记录

Point-NeRF阅读总结记录 PPT形式

2023-04-11 21:06:17 3933 2

原创数字孪生论文阅读笔记【1.2】

刘劲松. 高档数控机床数字孪生关键技术研究与应用[D].中国科学院大学(中国科学院沈阳计算技术研究所),2022.DOI:10.27587/d.cnki.gksjs.2022.000005.

2022-11-28 10:42:19 751 1

原创数字孪生论文阅读笔记【3】

仿生视角的数字孪生系统信息安全框架及技术数字孪生驱动下的装备适航性和安全性设计与验证技术研究Explainable AI over the Internet of Things (IoT): Overview, State-of-the-Art and Future DirectionsDigital twin modeling

2022-11-22 16:56:10 1230

Digital Twin: Values, Challenges and Enablers From a Modeling PerspectiveDigital Twin: Enabling Technologies, Challenges and Open ResearchFrom artificial intelligence to explainable artificial intelligence in industry 4.0: a survey on what, how, and wher

2022-11-22 16:40:20 1160 1

原创数字孪生论文阅读笔记【1.1】

刘劲松. 高档数控机床数字孪生关键技术研究与应用

2022-11-22 16:21:17 933 1

原创《计算机视觉》集大网课笔记【7】

滑动窗口法：不断在图像中切出小的图像块，检测完所有图像块后再进行置信度判断，留下的方框作为检测结果。①对图像尺寸进行缩放。②图像窗口尺寸变化。AdaBoost：加大错分样本的权重，以使下一次分类正确。不断构造弱分类器，实现多个弱分类器的结连，从而形成强分类器。

2022-10-07 19:32:01 598

原创《计算机视觉》集大网课学习笔记【6】

Ed是指源点和汇点到各个像素之间的连线（前背景先验代价总和），Es指像素点在分割之间的连线（邻域代价总和）也可以在颜色空间上融入位置信息，如(r,g,b,x,y)。Mean-Shift算法通过在特征空间中搜索极值(modes)来实现特征空间中像素点的划分。算法，在图像的灰度或颜色空间实现像素点的聚类。是图中节点i到节点j的边（i，j）的权重，并且是对割C所有的边的权重进行求和。构建新的节点权重：扩大邻域范围——距离越远权重越低，距离越近权重越高。聚类：所有的点（像素）均会收敛到某个模式(mode)

2022-10-07 10:55:15 596

原创《计算机视觉》集大网课学习笔记【5】

找到图像中的纹理（重复模式），或纹理基元组成的结构。将纹理罗列在一起组成纹理基元字典。对于大场景数据集（如城市场景），只有少于0.1%的图像对具有匹配关系。解决方法：利用图像整体特征实现匹配/检索，而非局部特征点。

2022-10-05 15:58:49 482

原创《计算机视觉》集大网课学习笔记【4】

对极几何与基础矩阵、运动恢复结构（Structure from motion）、立体匹配

2022-10-04 16:50:54 396

原创《计算机视觉》集大网课笔记【3】

通过空间中已知坐标的（特征）点（Xi,Yi,Zi），以及它们在图像中的对应坐标（ui,vi），直接估算11个待求解的内部和外部参数。：由于生产过程中像素不一定为正方形（长宽比值不同），因此用a表示长宽比值。两个矩阵相乘得到三行四列矩阵的过程，完成了空间中的点到图像中点的对应关系。由旋转角参数矩阵和位移矩阵组合。u,v是可观测的，X,Y,Z是生产中已知的点信息。焦距信息，像主点偏移信息（x0,y0）。是围绕X轴旋转，也叫做俯仰角。是围绕Y轴旋转，也叫偏航角。是围绕Z轴旋转，也叫翻滚角。

2022-09-30 16:25:14 281

原创《计算机视觉》集大网课笔记【2】

Hariis角点的描述子通常是由角点周围像素块的灰度值，以及用于比较的归一化互相关矩阵构成的。其中，两个（相同大小）像素块和的相关矩阵定义为：基础的互相关矩阵为，等同于矩阵点乘。

2022-09-30 14:02:53 489

原创《计算机视觉》集大网课学习笔记【1】

w(x,y)为窗口函数，I(x+u,y+v)为平移后图像灰度，I(x,y)为图像灰度。Ix，Iy为对应方向上的梯度。物理意义：通过M的两个特征值大小对图像点进行分类。将图像窗口平移[u,v]产生灰度变化E(u,v)如何求解I(x+u,y+v)，以及E(u,v)?窗口移动导致图像变化量：实对称矩阵M的特征值分析。记M特征值为λ1,λ2。

2022-09-29 11:12:46 555

原创数字图像处理笔记（Python）【3】

像元尺寸就是每个像素的面积。单个像素面积小，单位面积内像素数量多，相机分辨率增加，有利于对细小缺陷的检测和增大检测视场。随着像素面积减小，能力（每个像素能够储存的电荷数量）也随之减小，造成相机动态范围的降低。我的手机是小米12x，传感器为IMX766，尺寸为1/1.56英寸（8.16mm x 6.1mm）。通过Python读取一张用手机拍摄的照片，计算像元尺寸。计算公式：像元尺寸 = 感光器芯片尺寸 / 像素个数（分辨率）

2022-09-24 14:13:59 1050

原创数字图像处理笔记（Python）【2】

位深度、空间分辨率、python生成图片

2022-09-24 10:28:13 1130

原创数字图像处理笔记（Python）【1】

数字图像处理书本的学习已经过去一段时间了。该文算是对过去所学的一些总结，一方面是为了加深对数字图像处理相关知识的理解，另一方面也希望能摆脱书本的信息茧房，更加“自由”的进行编程，涉猎书本以外或是之前没学明白的知识。由于本人才疏学浅，文章中涉及操作都较为简单，毕竟根本目的是为了将来可能的科研工作打好基础，还请读者多多担待。

2022-09-23 11:16:33 610

原创《机器学习实战》——第13章利用PCA来简化数据

在低维下，数据更容易进行处理。其相关特征可能在数据中明确地显示出来。通常而言，我们再应用其他机器学习算法之前，必须先识别出其相关特征。

2022-09-22 13:05:22 475

原创《机器学习实战》——第10章利用K-均值聚类算法对未标注数据分组

聚类是一种无监督的学习，它将相似的对象归到同一个簇中。它有点像全自动分类。聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。簇识别给出聚类结果的含义。假定有一些数据，现在将相似数据归到一起，簇识别会告诉我们这些簇到底都是些什么。聚类与分类的最大不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果与分类相同，而只是类别没有预先定义，聚类有时也被称为无监督分类。聚类分析试图将相似对象归入同一簇，将不相似对象归到不同簇。相似这一概念取决于所选择的相似度计算方法。

2022-09-21 10:31:30 471

原创《机器学习实战》——第9章树回归

第8章介绍的线性回归包含了一些强大的方法，但这些方法创建的模型需要拟合所有的样本点（局部加权线性回归除外）。当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的想法就显得太难了，也略显笨拙。而且，实际生活中很多问题都是非线性的，不可能使用全局线性模型来拟合任何数据。一种可行的方法是将数据集切分成很多分易建模的数据，然后利用第8章的线性回归技术来建模。如果首次切分后仍然难以拟合线性模型就继续切分。在这种切分方式下，树结构和回归法相当有用。

2022-09-20 20:22:40 642

原创《机器学习实战》——第8章预测数值型数据：回归

优点：结果易于理解，计算不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。下面给出一个回归方程：其中的0.0015和-0.99称为回归系数，求回归系数的过程就是回归。一般的回归指的都是线性回归，所以本章回归和线性回归代表同一个意思。线性回归意味着可以将输入项分别乘以一些常量，再将结果加起来得到输出。假定输入数据存放在矩阵x中，而回归系数存放在向量w中。那么对于给定的数据。

2022-09-19 21:13:54 856

原创《机器学习实战》——第7章利用AdaBoost元算法提高分类性能

我们可以将不同的分类器组合起来，而这种组合结果则被称为集成方法或者元算法。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是统一算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整。缺点：对离群点敏感。适用数据类型：数值型和标称型数据。

2022-09-18 10:18:44 469 1

原创《机器学习实战》——第6章支持向量机

目录6.1 基于最大间隔分隔数据6.2 寻找最大间隔6.2.1 分类器求解的优化问题6.2.2 SVM应用的一般框架6.3 SMO高效优化算法6.3.1 Platt的SMO算法6.3.2 应用简化版SMO算法处理小规模数据集6.4 利用完整Platt SMO算法加速优化6.5 在复杂数据上应用核函数6.5.1 利用核函数将数据映射到高维空间 6.5.2 径向基核函数6.5.3 在测试中使用核函数6.6 示例：手写识别问题回顾支持向量机优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数

2022-09-16 20:29:18 629

原创《机器学习实战》——第5章Logistics回归

优点：计算代价不高，易于理解和实现。缺点：容易欠拟合，分类精度可能不高。适用数据类型：数值型和标称型数据。我们想要的函数是，能接受所有的输入然后预测出类别。该函数称为海维赛德阶跃函数，或者直接称为单位阶跃函数。然而，该函数存在一些问题：在跳跃点上从0瞬间跳跃到1，这个瞬间跳跃过程有时很难处理。而另一个函数也有类似的性质，且在数学上更易处理，它就是Sigmoid函数。公式如下：Sigmoid函数图如图，当横坐标刻度足够大时，Sigmoid函数看起来就像阶跃函数一样。

2022-09-14 11:04:38 659

原创《机器学习实战》——第4章基于概率论的分类方法：朴素贝叶斯

优点：在数据较少的情况下仍然有效，可以处理多类别问题。缺点：对于输入数据的准备方式较为敏感。适用数据类型：标称型数据。

2022-09-13 19:08:18 379

原创《机器学习实战》——第3章决策树

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配的问题。适用数据类型：数值型和标称型。

2022-09-12 19:10:51 683

原创《机器学习实战》——第2章 k-近邻算法

优点：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。适用数据范围：数值型和标称型。

2022-09-12 13:36:04 428

原创《机器学习》——第2章模型评估与选择

错误率：分类错误的样本数占样本总数的比例。即如果在m个样本中有a个样本分类错误，则错误率E= a/m；相应的，1 - a/m称为“精度”，即“精度= 1 - 错误率”。误差：学习器的实际预测输出与样本的真实输出之间的差异，学习器在训练集上的误差称为“训练误差”或“经验误差”，在新样本上的误差称为“泛化误差”。我们希望学习器能在新样本上表现得很好，为了达到这个目的，应该从训练样本中尽可能学出适用于所有潜在样本的“普遍规律”，这样才能在遇到新样本时做出正确的判别。

2022-09-12 08:43:40 958

原创《机器学习实战》——第1章机器学习基础

有很多机器学习算法非常善于分类，当决定使用某个机器学习算法进行分类时，首先需要做的是算法训练，即学习如何分类。训练集是用于训练机器学习算法的数据样本集合。目标变量是机器学习算法的预测结果，在分类算法中目标变量的类型通常是标称型的，而在回归算法中通常是连续型的。我们只能在一定程度上缩小算法的选择范围，一般并不存在最好的算法或者可以给出最好结果的算法，同时还要尝试不用算法的执行结果。特征值是离散型变量还是连续型变量，特征值中是否存在缺失的值，何种原因造成缺失值，数据中是否存在异常值，某个特征发生的频率如何等。

2022-09-10 15:26:59 327

原创 Python计算机视觉编程——第10章 OpenCV

read() 方法解码并返回下一视频帧，第一个变量 ret 是一个判断视频帧是否成功读入的标志，第二个变量im则是实际读入的图像数组。辅助函数 draw_flow() 会在图像均匀间隔的点处绘制光流矢量，它利用 OpenCV 的绘图函数 line() 和 circle()，并用变量 step 控制流样本的间距。读取图像后，将其转化为灰度图像，函数 integral() 创建一幅图像，该图像的每个像素值是原图上方和左边强度值相加后的结果；每次画出一帧，并显示当前跟踪到的点，按任意键会转移到序列的下一帧。.

2022-08-28 10:12:17 1389

原创 Python计算机视觉编程——第9章图像分割

图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。

2022-08-26 15:29:29 924

原创 Python计算机视觉编程——第8章图像内容分类

在分类算法中，最简单且用的最多的一种方法之一就是KNN(K-Nearset Neighbor，K邻近分类法)，这种算法把要分类的对象（例如一个特征向量）与训练集中已知类标记的所有对象进行对比，并由k近邻对指派到哪个类进行投票。为了使用命令行处理，用 savetxt() 函数将帧数组存储在一个文本文件中，该函数的最后一个参数可以在提取描述子之前对图像的大小进行调整，例如，传递参数 imsize=(100, 100) 会将图像调整为 100×100 像素的方形图像。否则，则所有的描述子的方向只是简单地朝上。

2022-08-24 09:55:56 522

原创 Python计算机视觉编程——第7章图像搜索

该方法从图像单词直方图的非零项创建单词 id 列表，检索每个单词获得候选集并将其合并到candidates 列表中，然后创建一个元组列表每个元组由单词 id 和次数 count 构成，其中次数 count 是候选列表中每个单词出现的次数。通常，数据集（或语料库）中一个单词的重要性与它在文档中出现的次数成正比，而与它在语料库中出现的次数为反比。为了提高效率，可以将特征位置存储在数据库中，并由特征的单词 id 决定它们之间的关联（要注意的是，只有在词汇足够大，使单词 id 包含很多准确匹配时，它才起作用）。

2022-08-20 10:30:34 469

原创 Python计算机视觉编程——第6章图像聚类

树状图的高和子部分由距离决定，随着坐标向下传递到下一级，会递归绘制出这些节点，上述代码用 20×20 像素绘制叶节点的缩略图，使用 get_height() 和 get_depth() 这两个辅助函数可以获得树的高和宽。2.获取所有样本的距离矩阵，通过SciPy来计算距离矩阵，计算每个样本间两两的欧式距离，将矩阵矩阵用一个DataFrame进行保存，方便查看。第一列表示的是簇的编号，第二列和第三列表示的是簇中最不相似(距离最远)的编号，第四列表示的是样本的欧式距离，最后一列表示的是簇中样本的数量。...

2022-08-17 09:34:35 1875

原创 Python计算机视觉编程——第4章照相机模型与增强现实

针孔照相机模型（有时称为射影照相机模型）是计算机视觉中广泛使用的照相机模型。对于大多数应用来说，针孔照相机模型简单，并且具有足够的精准度。这个名字来源于一种类似暗箱机的照相机。该照相机从一个小孔采集射到暗箱内部的光线。在光线投影到图像平面之前，从唯一一个点经过，也就是照相机中心C。由图像坐标轴和三维坐标系中的x轴和y轴对齐平行的假设，我们可以得出针孔照相机的投影性质。照相机的光学坐标轴和z轴一致，该投影几何一颗简化成相似三角形。在投影之前通过旋转和平移变换，对该坐标系加入三维点，会出现完整的投影变换。...

2022-08-13 09:17:29 951 1

原创 Python计算机视觉编程——第三章图像到图像的映射

给定一个模型，例如点集之间的单应性矩阵，RANSAC基本的思想是，数据中包含着正确的点和噪声点，合理的模型应该能够在描述正确数据点的同时摒弃噪声点。在得到两幅图像的变换参数后，要将输入图像做相应参数的变换，使之与参考图像处于同一坐标系下，则矫正后的输入图像与参考图像可用作后续的图像融合、目标变化检测处理或图像镶嵌；在这里，平面是指图像或者三维中的平面表示。所谓的假设性，就是说随机抽出来的数据我都认为是正确的，并以此去计算其他点，获得其他满足变换关系的点，然后利用投票机制，选出获票最多的那一个变换。...

2022-08-11 14:25:29 986

原创 Python计算机视觉编程——第二章局部图像描述子

Harris角点检测算法是一个极为简单的角点检测算法。该算法的主要思想是，如果像素周围显示存在多于一个方向的边，我们认为该点为兴趣点。该点就称为角点。图像域中点x上的对称半正定矩阵定义为：卷积：取决于该区域的值，harris矩阵由图像结果可直观看出，减小角点响应值，降低角点检测的灵性，减少被检测角点的数量；增大角点响应值，增加角点检测的灵敏性，增加被检测角点的数量。Harris 角点检测器仅仅能够检测出图像中的兴趣点，但是没有给出通过比较图像间的兴趣点来寻找匹配角点的方法。......

2022-08-05 16:30:40 1012

原创 Python计算机视觉编程第一章——基本的图像操作和处理

每行的第一个元组表示图像数组的大小（行、列、颜色通道），紧接着的字符串表示数组元素的数据类型。将变平的图像堆积起来，我们可以得到一个矩阵，矩阵的一行表示一幅图像。二值图像通常是，在计算物体的数目，或者度量其大小时，对一幅图像进行阈值化后的结果。在对图像做进一步处理之前，直方图均衡化通常是对图像灰度值进行归一化的一个非常好的方法，并且可以增强图像的对比度。改区域使用坐标依次是（左，上，右，下）的四元组来指定。在导数图像中，正导数显示为亮的像素，负倒数显示为暗的像素，灰色区域表示导数的值接近于零。...

2022-08-03 10:18:04 3050

空空如也

空空如也