机器学习
文章平均质量分 72
极客范儿
技术决定下限,审美决定上限
展开
-
详谈ORB-SLAM2的帧
ORB-SLAM2中帧分为两个部分,帧和关键帧。相机每次接收到一帧图像(双目或RGB-D接收两张图像)构成一帧,关键帧是来自于普通帧,普通帧只能解决当前帧的相机位姿和跟踪状态,只有被选为关键帧,才能决定回环检测、局部建图等工作。普通帧只能解决当前帧的情况,而关键帧可以对整个系统的后续产生影响,了解了普通帧和关键帧的区别能让我们更好的理解ORB-SLAM2算法的代码。原创 2022-11-08 21:11:27 · 1088 阅读 · 0 评论 -
Ubuntu 16.04/18.04上配置ORB-SLAM2环境记录
最近做视觉SLAM时需要配置ORB-SLAM2,ORB-SLAM2是单目视觉SLAM算法中性能优越的解决方案之一,而且还能继续复习下Linux指令,为此做个记录。原创 2022-11-07 21:41:12 · 874 阅读 · 0 评论 -
手把手教你用VS2017配置OpenCV
最近学习增强现实技术时需要opencv,早在本科毕设使用过OpenCV 2.4.11做过城市交通指示识别,现在导师要求用OpenCV 3,所以从一个新入坑的角度来讲解一下完整的配置一个OpenCV的过程。原创 2022-03-11 17:21:29 · 6137 阅读 · 0 评论 -
2021年度学习总结
2021年是迎来蜕变的一年,充实而不平凡。在这一年我的身份发生了许多变化,我做过前端开发工程师,当过运维,干过自媒体,但我感觉作为一个热爱技术的人,只有了解底层的知识才能让走的更远,毕业后摸爬滚打让我感觉,眼界打开了,可是能力没有跟上。所以毅然离开稳定的央企,抱着对本专业的热爱,我要读研究生。一、关键技术回顾年初回顾了Java的语法,重新捡起学到的第一门面向对象的语言,使用MyBatis三剑客实现一个简单的电商信息管理系统。Java中抽象类和接口在使用上如此相似,在高级开发中两者的使用和区别作了小结。原创 2021-12-31 22:34:13 · 4074 阅读 · 0 评论 -
采用全连接神经网络和卷积神经网络完成手写数字识别的区别
深度学习实验一、实验内容采用Pytorch或者Keras完成手写数字识别程序,数据集为MNIST,分别采用全连接神经网络和卷积神经网络进行实验,经过调试参数,查看训练误差曲线的变化。画出卷积神经网络的特征层,并保存为图片。二、运行结果2.1 全连接神经网络实现(1)代码实现:import torchimport numpy as npfrom torchvision.datasets import mnistfrom torch import nnfrom torch.autograd原创 2021-12-29 16:02:29 · 576 阅读 · 0 评论 -
在Unity上实现目标识别
1、注册一个高通的账号官网网址2、登录进入develop3、创建key密钥4、把下面的密钥粘贴到高通里面的arcamera里面5、创建文件夹上传识别图,注意格式和大小6、下载相应的SDK7、下面是官方的一些示例和一些功能介绍8、导入资源包目前高通在PC运行监测必须是32位unity64位只能在android机上运行把高通自带的预制体拖进去9、然后把申请的key粘贴过去ASt+MpL/////A【付费码】至此准备工作完毕...原创 2021-11-01 21:32:26 · 1751 阅读 · 0 评论 -
2021“华为杯”第十八届中国研究生数学建模竞赛有感
研究生的数学建模比赛是硕士研究生和博士研究生一起竞赛,对比本科参加的大学生数学建模竞赛天壤之别,难度和复杂度不可同日而语,竞争压力之大也不可想象,不过因为兴趣还是参加了。这次搭配上不需要妹纸(并不是),一个组最好有一个女生,但也只是建议,毕竟实验室的三个工科男搭配的也有模有样。今年的比赛时间是2021.10.14日8:00至20201.10.18日12:00,10月13日下载试题了,开赛前仔细阅读了参赛手册和规范。今年的题目专业性都很强,先就把题目定下,模型选一下,三个人一起做,大家选择看看做哪个题目原创 2021-10-19 22:06:53 · 2066 阅读 · 2 评论 -
利用波士顿房价数据集实现房价预测
文章目录一、 观察波士顿房价数据并加载数据集1、加载数据集二、 特征选择三、 模型选择四、 模型训练和测试1、 训练模型2、打印线性方程参数3、模型预测4、 计算mae、mse5、 画出学习曲线五、 模型性能评估和优化1、 模型优化,考虑用二项式和三项式优化2、 划分数据集函数3、定义MAE、MSE函数4、定义多项式模型函数5、 训练模型6、 定义画出学习曲线的函数7、定义1、2、3次多项式8、划分数据集9、训练模型,并打印train score10、画出学习曲线六、 结论与分析一、 观察波士顿房价数据并原创 2021-10-19 12:30:09 · 8472 阅读 · 4 评论 -
用SVM分类模型处理iris数据集
一、实验简介:本次数据集很经典,实验本身是基于SVM支持向量机技术对数据集Iris进行特征分类。实验采取Sklearn函数库来实现SVM,并使用SVM对提取好的特征进行分类,结果的展示方面进行了数据可视化保证观测结果清晰可见。首先,Iris数据集的中文名是安德森鸢尾花卉数据集,Iris包含150个样本,对应数据集的每行数据。每行数据包含每个样本的四个特征和样本的类别信息,所以iris数据集是一个150行5列的二维表形式的样本,被应用于多类模型的实验当中。还需要进一步介绍数据集的内容:数据集当中,每个样原创 2021-10-09 21:52:40 · 4251 阅读 · 0 评论 -
深入浅出聊机器学习西瓜书
精读西瓜书才了解西瓜书的由来,原来里面机器学习的例子都是拿西瓜举例啊。一、机器学习的原理对于某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善,那么就称这个计算机程序从经验E中学习。这个经验实际就是数据。机器学习就是把现实世界当中要研究的对象通过特征值将其数字化,然后让计算机通过这些已有的数字学习经验,即训练,得到判断能力即模型。例子:1、垃圾邮件识别/过滤:假定你的email程序观察到,哪些邮件被你标记为垃圾邮件,基于这个内容机器学习到了怎样更好的识别过滤垃圾邮原创 2021-09-08 21:25:45 · 1834 阅读 · 0 评论 -
使用TensorBoard将图可视化
文章目录一、数据序列化成events文件二、启动TensorBoard三、总结TensorFlow可用于训练大规模深度神经网络所需的计算,使用该工具涉及的计算往往复杂而深奥。为了更方便TensorFlow程序的理解、调试和优化,TensorFlow提供了TensorBoard可视化工具。以a、b两数的和为例。一、数据序列化成events文件import tensorflow as tfdef events_demo(): a = tf.constant(20,name='a') b原创 2021-08-31 14:48:14 · 324 阅读 · 0 评论 -
Python实现线性回归
文章目录一、线性回归原理1.构造模型2.构建损失函数3.优化损失二、设计方案1.准备数据2.构造损失函数3.优化损失三、代码实现四、总结一、线性回归原理1.构造模型y = w1x1+w2x2…+b2.构建损失函数均方误差3.优化损失梯度下降:使用梯度下降优化损失,当损失最小时候所对应的权重和偏置就是我们想要的模型参数二、设计方案1.准备数据假定随机指点100个点,只有一个特征。x和y之间的关系满足y=kx+bx = (100,1)真实的y_true = (100,1)数据分布满足原创 2021-08-26 15:05:44 · 4758 阅读 · 0 评论 -
Matlab实现时间序列预测
Matlab从2010b版本以后,神经网络工具箱已经升级为7.0,功能大大加强。在之前的版本做时间预测是比较麻烦操作的,MathWorks公司对时间序列预测做了详细的解决,跑模型非常简便。当前网络是非常的非线性网络,增加神经元个数,同时增加delays到4。利用以上模型和NAR模型进行训练,误差在界限之间符合预期,Plot Response误差符合预期值。模型训练良好,自相关的一个时间的输出误差和另外一个时间输出的误差基本无关,是一个十分理想预测模型。原创 2021-07-28 16:46:20 · 37703 阅读 · 13 评论 -
2021第三届全球互联网通信云大会有感
融云总部就在北京,第三届WICC终于开回来了。很荣幸代表公司参加大会,对印象深刻的点做一些总结。互联网音视频基础架构:云-边-端协同,是这次三位演讲离不开的话题,以视频为代表的富媒体信息称为主流。现在的通信云社会分工,难全球化,有比特信息服务加持能更好的运作。早期考虑成本,后期考验能力。现在音视频是通信上很关注的点,信息都是从低维上高纬转化的。以音视频为基础,赋能各个场景。音视频与各行各业带来格局变化,教育、电商、办公三个方面与音视频擦除不一样的火花,同时行业需求在不断变化。智能赢家创造了广阔的空间,一原创 2021-07-24 21:39:20 · 230 阅读 · 2 评论 -
python环境下xgboost的安装与使用
XGboost(eXtreme Gradient Boosting)属于有监督学习,是Gradient Boosting模型的一种改进版,在国外的Kaggle,国内的Kesci、天池、DataCastle等平台上的数据比赛中应用十分广泛,更加取得了非常不错的成绩。XGboost在Python、R、Java等多种语言中都有相应的实现版本,一下以Python为例,介绍python环境下xgboost的安装与使用。XGboost的项目托管在Github上,XGBoost官网介绍了如何在Mac、Linux、Win原创 2021-07-20 14:57:39 · 3103 阅读 · 0 评论