MyArrow的专栏

原创 矩阵分解 (特征值/奇异值分解+SVD+解齐次/非齐次线性方程组)

，#1. 用途#1.1 应用领域最优化问题：最小二乘问题 (求取最小二乘解的方法一般使用SVD)统计分析：信号与图像处理求解线性方程组：Ax=0或Ax=bAx = 0 或 Ax =b 奇异值分解：可以降维，同时可以降低数据存储需求1.2 矩阵是什么矩阵是什么取决于应用场景矩阵可以是： 只是一堆数：如果不对这堆数建立一些运算规则 矩阵是一列列向量：如果每一列向量列举了对同一个客观事

原创 Hexagon 680 常用知识

0. 功能简介支持异构计算提升处理能力：每个时钟周期同时处理高达 1024位数据HVX宽度——可同时处理的数据位数——每个时钟周期应用可执行更多工作。标准移动CPU为32位指令宽度，其计算协处理器扩展4倍，达到128位宽度。基本Hexagon处理器为64位指令宽度，是移动CPU正常宽度的两倍，而HVX协处理器扩展了8倍，达到1024位宽度。如下图红色所示，Hexagon DSP可结合两个512位

转载 Ubuntu常用命令

在创建用户时，需要为新建用户指定一用户组，如果不指定其用户所属的工作组，自动会生成一个与用户名同名的工作组。创建用户user1的时候指定其所属工作组users，例：useradd –g users user1一、创建用户：1、使用命令 useradd例：useradd user1——创建用户user1    useradd –e 12/30/2009 user2——创建user2,指定有效期200...

原创 2D平面变换总结

1. 总览 2. 平移变换 (Translation)3. 尺度变换 (Scale)4. 旋转变换(Rotation)5. 欧几里德/刚体变换 （Euclidean/Rigid） 6. 相似性/按比例欧氏 (Similarity/Scaled Euclidean)7. 仿射变换(Affine)8. 射影变换（Projective）

原创 SLAM基础知识总结

1. 视差与深度信息根据双目成像原理，两幅图像摄像机光心位置不同，而且可以看到场景中同一个场景点，则根据此场景点在两幅图像中的#F00图像坐标（Film Coords/Image Plane）之差（Disparity/Parallax）及两摄像机光心之间的距离(Baseline)算出场景点的深度信息获取视差图：双目或运动(Stereo or Motion)基本原理：三角形相似原理 2. 3D世

原创 正交矩阵及其应用-思维导图

原创 线性代数基本知识-思维导图

1. 框架2. 运算及性质

翻译 斯坦福大学CS224d基础1：线性代数知识

转自：http://blog.csdn.net/longxinchen_ml/article/details/516293281基本概念和符号线性代数可以对一组线性方程进行简洁地表示和运算。例如，对于这个方程组:这里有两个方程和两个变量，如果你学过高中代数的话，你肯定知道，可以为x1 和x2找到一组唯一的解 (除非方程可以进一步简化，例如，如果第二个

原创 矩阵特征值、特征向量、奇异值

1. 特征值与奇异值的主要区别两者的主要区别在于：奇异值分解主要用于数据矩阵，而特征植分解主要用于方型的相关矩阵。自相关矩阵正定时， 特征值分解是奇异值分解的特例，且实现时相对简单些。2. 定义一矩阵A作用与一向量a，结果只相当与该向量乘以一常数λ。即A*a=λa，则a为该矩阵A的特征向量，λ为该矩阵A的特征值。本征值和本征向量为量子力学术语，对矩阵来讲与特征值和特征向量定义一样。但本征

原创 对称和反对称矩阵（Symmetric and skew-symmetric matrices）

1. 定义    对称阵和反对称阵均：必为方阵    1）对称阵：    2）反对称阵：2. 特性3. 应用3.1 特征值分解(Eigenvalue Decomposition)    1）对称矩阵分解： 如果A是实对称矩阵，则A可被分解为：，U是一个正交矩阵，D是一个实对角矩阵(real  diagonal matrix)；

原创 正交矩阵（Orthogonal Matrix）

1. 定义    正交矩阵: Orthogonal Matrix     &space;A^{-1}=A^{T}" target="_blank">&space;A^{-1}=A^{T}" title="A^T A=AA^T =I => A^{-1}=A^{T}" alt="">    2. 特征    1） 所有的列向量都是单位正交向量    2） 所有的行向量都是单位正

原创 单应矩阵 基本矩阵 本质矩阵的区别与联系

1. 对极几何两个相机在不同位置(实际要求光心位置不同即可)拍摄两张图，这个模型就是对极几何，如下图(摘自《计算机视觉中的多视图几何》)：两摄像机光心分别是C和C'，图像平面是两白色的平面，空间中某一个点X在两张图的投影点分别是x和x'。这样的模型就是对极几何，空间点和两光心组成的平面叫做对极平面。简言之，不同视点拍摄的两个场景满足对极几何关系。2. 单应矩阵(Ho