- 博客(101)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 集群开发学习（三）修改用户模块(git 使用，局域网设代理)
在服务器端创建公钥私钥查看自己的公钥提交公钥到github如果.ssh文件夹下没有config还需要创建config输入测试。
2024-06-16 18:07:19
663
1
原创 高级人工智能复习 题目整理 中科大
1.准确性，复杂性，验证集2. 32n3^{2^n}32n 3C2nm3^{C^m_{2n}}3C2nm 3m3^m3m n+1n+1n+13. 状态 从状态s采取行动a后继续采用策略π\piπ的收益 环境4. 语法 语义 推理规则5. 参与者，策略集，收益，参与者们选择的策略互为最佳应对6. sigmod,tanh,ReLu7. KNN,决策树(1) 11;(2)1+2+4+6+9+11=33 存疑（博客答案是34，我觉得是33）(3)1+2+4+7=14（9）启
2024-06-16 16:50:42
877
原创 高级人工智能复习 中科大
中科大2023春季【高级人工智能】试题回顾中国科学技术大学《高级人工智能》课程 重要知识点提纲高级人工智能复习提纲搜索问题的五个要素：状态空间、后继函数、初始状态、目标测试和路径耗散。用状态图描述搜索问题：每个节点表示一个状态，弧及两端点表示后继函数。状态图可能包括多个不连通的分量，状态图上标有初态和终态。搜索问题无解：状态图中初始节点和终态节点在不连通的两个分量中。华容道：数码游戏/8皇后问题/数独建模类似状态对事物可能的抽象表示，构建好的状态空间可以减少空间的大小从而降低搜索难度。好的状态空间：
2024-06-16 16:50:09
1451
3
原创 VQ-BeT: Behavior Generation with Latent Actions 代码复现(Mujoco 安装)
修改 ./examples/configs/env_vars/env_vars.yaml 中，对应路径。修改 ./examples/configs/train_kitchen_goalcond.yaml。用到wandb的地方把entity注释掉，防止莫名报错。安装对应版本的mujoco-py。patchelf 错误。
2024-04-11 19:16:28
499
原创 集群开发学习（一）（安装GO和MySQL，K8S基础概念）
综上所述，Namespace用于组织和隔离资源，Pod是最小的部署单元，Deployment用于管理Pod副本，Service提供网络访问入口，使应用程序或服务可以在集群内部或外部可达。：用户在登录成功后会收到一个令牌（Token），之后每次请求都需要在请求头中携带这个令牌进行验证。：用户在登录成功后，服务器会为其创建一个会话（Session），并将会话ID存储在Cookie中，用户在后续的请求中都会携带这个会话ID。测试代码，用 -i 可以更细致的看到信息，目前还是在curl里面传递cookie的。
2024-04-11 18:57:18
1359
原创 计算机图形学 实验
1.1 实验一：图元的生成：直线、圆椭区域填充你需要完成基本的图元生成算法，包括直线和椭圆。在区域填充中，要求你对一个封闭图形进行填充。你需要绘制一个封闭图形（例如多边形），并选择一种算法进行区域填充。你的作品应当有一定的交互功能，例如，通过鼠标确定控制点来获得以上图形。1.2 实验二：样条曲线的生成： Bezier Bezier 曲线、B-样条曲线的生成：你需要完成这两种曲线的生成。对于桂栭样条曲线，统一要求实现均匀二次桂栭样条曲线。
2024-02-01 13:49:59
1315
原创 VOD-SLAM 复现 AirDos 复现
CSparse 库安装把Frame.cc里面的xfeatures2d.hpp改为features2d.hpp直接注释掉，把函数换为下面的函数。
2024-01-27 15:05:01
575
原创 计算机图形学复习
ymxbyk1ykmsetpixelxk1roundyk1y=mx+b \\ymxbyk1ykmsetpixelxk1roundyk1))d1yk−yd2y−yk−1d1′yk2−y2d2′y2−yk−12pkd1−d2pk1−pkp0就是0R2带进去。
2024-01-08 19:49:30
927
原创 DSP2复习 知识点+往年题目总结
正交原理：线性最优滤波（维纳滤波）的充要条件是滤波器的输出（参考信号即期望信号的估计）与误差（估计与参考信号的差）正交为什么：e(n)作为输出时的维纳滤波（最优线性滤波），则是从y(n)中移除掉和输入X(n)相关的部分y~(n)，输出y(n)中和输入X(n)不相关的部分xnx1x2xnTxnx1x2...xnT序列xnn∈Zxnn∈Z的离散STFT定义为Xnk∑m−∞m∞xmwn−me−j2πkmN。
2024-01-03 20:03:53
925
原创 Learning to Segment Rigid Motions from Two Frames 代码复现
1.拉取代码2.创建conda环境，修改rigidmask.ymlDCNv2和ngransac。
2023-11-02 16:53:10
308
1
原创 Raptor NGRANSAC兼容版
1.创建conda 环境2.安装ngransac3.安装mmcv4.Raptor安装，设定setup.py5.raft修改版安装修改setup.py。
2023-11-01 10:48:47
194
原创 SAM:Segment Anything 代码复现和测试 基本使用
其他instruction，都是在这个基础上进行处理。1.创建environment.yaml。修改标签，得到不一样的结果。模型训练（waiting）
2023-10-31 21:03:23
2994
原创 On Moving Object Segmentation from Monocular Video with Transformers 论文阅读
通过单个移动摄像机进行移动对象检测和分割是一项具有挑战性的任务，需要了解识别、运动和 3D 几何。将识别和重建结合起来可以归结为融合问题，其中需要结合外观和运动特征来进行分类和分割。在本文中，我们提出了一种用于单目运动分割的新颖融合架构 - M3Former，它利用Transformer的强大性能进行分割和多模态融合。由于从单目视频重建运动是不适定的，我们系统地分析了该问题的不同 2D 和 3D 运动表示及其对分割性能的重要性。
2023-10-25 17:03:37
1228
原创 Monocular arbitrary moving object discovery and segmentation 论文阅读
我们提出了一种发现和分割场景中独立移动的物体或其部分的方法。给定三个单眼视频帧，该方法输出语义上有意义的区域，即对应于整个对象的区域，即使只有其中一部分移动。基于 CNN 的端到端方法的架构称为 Raptor，它结合了语义和运动主干，将其输出传递到最终的区域分割网络。语义主干以与类无关的方式进行训练，以便泛化到训练数据之外的对象类。运动分支的核心是根据光流、光学扩展、单深度和估计的相机运动计算出的几何成本量。
2023-10-24 22:10:27
886
原创 Monocular arbitrary moving object discovery and segmentation(Raptor,NG-RANSAC 安装) 代码复现
1.创建environment.yaml2.安装mmcv3.Raptor安装安装前建议看一看setup.py 设置一下库的版本4.RAFT修改版安装5.下载模型。
2023-10-24 20:52:11
167
原创 在服务器中安装有ubuntu界面的docker，并通过主机的VNC进行远程控制（含VNC下载地址，ubuntu基本设置，nvidia cuda ubuntu 镜像地址）
参考链接2.直接使用，在浏览器打开，这里设置的端口是6080，在服务器执行这个命令运行之后在浏览器输入服务器ip:6080，比如我的就是就可以直接连接到桌面3.使用vnc连接VNC下载地址：提取码: nhcp 复制这段内容后打开百度网盘手机App，操作更方便哦用以下命令在服务器创建容器的话就可以通过5900端口从VNC连接docker页面。
2023-10-23 19:40:36
883
原创 PVO: Panoptic Visual Odometry代码复现(如何在脚本设置GPU选择，软链接映射数据集)
1.拉取代码这个工程中的VO_Module中的thirdparty部分需要用DROID-SLAM的替换之后才行具体参考我另一篇博客2.创建环境修改environment.yaml的文件内容3.安装全景分割的部分4.处理数据集下载vkitti生成训练和测试的数据集。
2023-10-22 23:13:47
425
15
原创 R3D3: Dense 3D Reconstruction of Dynamic Scenes from Multiple Cameras 代码复现（tmux基本操作，torrent 种子下载）
3.按下快捷键Ctrl+b d将会话分离（不是同时按）。2.在 Tmux 窗口运行所需的程序。1.改一下配置文件里的数据集路径。4.下次使用时，重新连接到会话。1.在终端单开一个tmux端口。下载这个Mini先测试一下。不行就单独下再放进去。
2023-10-20 19:08:08
389
4
原创 TartanVO: A Generalizable Learning-based VO 服务器复现（rtx3090 py3）
跑的时候会报错缺乏那些文件，需要自己在相关from import 的代码前加上那个文件夹的名字。KITTI 数据集上进场测试，创建run.sh。
2023-10-13 19:16:51
301
原创 DytanVO 代码复现(服务器端复现rtx3090)
(另外一个数据集AirDOS-Shibuya给的链接没办法下载)创建一个run.sh的脚本，在脚本里输入（修改了一下模型名称）3.创建一个requirements.txt,安装相关的库。跑起来了，不容易呀，复现了这么久。根据github的链接来下载。下载后解压到对应文件夹。创建一个放结果的文件夹。
2023-10-13 18:12:02
398
4
原创 Modality-invariant Visual Odometry for Embodied Vision 代码复现(docker使用)
创建environment.yml。3.安装habitat-sim。4.安装habitat-lab。直接参考原本github库。1.拉取github库。6.配置数据集和模型。7.运行eval脚本。
2023-10-10 19:35:59
240
原创 The Surprising Effectiveness of Visual Odometry Techniques for Embodied PointGoal Navigation 代码复现
第一次把navigation的代码run起来，纪念一下。修改environment.yml。2.安装habitat-sim。4.安装habitat-lab。直接参考原本github库的。3.拉取github库。5.配置数据集和模型。6.运行eval脚本。
2023-10-10 16:22:18
87
原创 DRL-VO: Learning to Navigate Through Crowded Dynamic Scenes Using Velocity Obstacles 论文阅读
本文提出了一种新颖的基于学习的控制策略，该策略对新环境具有很强的通用性，使移动机器人能够在充满静态障碍物和密集行人的空间中自主导航。该策略使用输入数据的独特组合来生成所需的转向角度和前进速度：激光雷达数据的简短历史记录、附近行人的运动学数据以及子目标点。该策略在强化学习环境中使用奖励函数进行训练，该函数包含一个基于速度障碍的新术语，以引导机器人主动避开行人并朝着目标移动。
2023-09-25 09:29:40
423
原创 Learned-Based VO 梳理（USTC Paper Reading）
简答介绍SLAM框架，引入VO问题直接从Learned VO开始，介绍VO问题的相关研究，总结当前研究存在的问题讨论Dynamic VO中的相关做法，总结问题，提出想法拓展VO 和navigation的关系。
2023-09-21 16:21:20
233
原创 rosbag 包转TUM数据集
2.在类似这样的文件夹/home/ql/pan1/catkin_ws/devel/lib/rosbag2tum下运行。5.配置rosbag2tum文件夹下的CMakeLists.txt。4.进入生成的rosbag2tum里面的src。（修改自己对应的rosbag包里面的节点）3.创建catkin_ws/src文件夹。5.在catkin_ws文件夹下运行。2.查看rosbag中的topic。这个文件夹下必须有这个可执行文件。这样就可以转化出对应的图片了。3.播放对应的bag包。
2023-09-09 22:25:00
1017
原创 深度学习相关VO梳理
基于学习的VO 相关：DeepVO Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（ICRA，2017）TartanVO: A Generalizable Learning-based VO(CoRL2021)SimVODIS: Simultaneous Visual Odometry ,Object Detection, and Instance Segmentation(PAM
2023-09-09 10:27:31
668
原创 Competitive Collaboration 论文阅读
我们解决了低级视觉中几个相互关联问题的无监督学习：单视图深度预测、相机运动估计、光流以及将视频分割为静态场景和移动区域。我们的主要见解是这四个基本视觉问题通过几何约束耦合在一起。因此，学习一起解决它们可以简化问题，因为这些解决方案可以相互促进。我们通过更明确地利用几何形状并将场景分割为静态和移动区域，超越了之前的工作。为此，我们引入了竞争性协作，这是一个促进多个专业神经网络协调训练以解决复杂问题的框架。
2023-09-08 10:37:20
600
1
原创 GeoNet: Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose 论文阅读
我们提出了 GeoNet，这是一种联合无监督学习框架，用于视频中的单目深度、光流和自我运动估计。这三个组件通过 3D 场景几何的性质耦合在一起，由我们的框架以端到端的方式共同学习。具体来说，根据各个模块的预测提取几何关系，然后将其组合为图像重建损失，分别对静态和动态场景部分进行推理。此外，我们提出了一种自适应几何一致性损失，以提高对异常值和非朗伯区域的鲁棒性，从而有效地解决遮挡和纹理模糊问题。
2023-09-07 23:24:25
1236
原创 MaskVO: Self-Supervised Visual Odometry with a Learnable Dynamic Mask 论文阅读
深度学习的最新进展使移动机器人能够以自我监督的方式联合学习自我运动和深度图。然而，现有的方法受到尺度模糊问题和环境问题的困扰，阻碍了实际应用。我们的工作旨在通过提出一种自监督视觉里程计模型来解决这两个问题，该模型利用图像序列的时间依赖性并从单目相机产生尺度一致的运动变换。我们提出的框架与新颖的掩模网络集成，以提供可学习的动态掩模，减少场景动态和照明变化的影响。
2023-09-07 19:33:21
775
原创 SimVODIS: Simultaneous Visual Odometry , Object Detection, and Instance Segmentation 论文阅读
智能代理需要了解周围环境，以便为人类提供有意义的服务或与人类进行智能交互。代理应该感知环境中固有的几何特征和语义实体。现代方法通常一次提供一种有关环境的信息，这使得执行高级任务变得困难。此外，运行两种类型的方法并关联两种结果信息需要大量计算并使软件架构复杂化。为了克服这些限制，我们提出了一种在单个线程中同时执行几何和语义任务的神经架构：同时视觉里程计、对象检测和实例分割（SimVODIS）。SimVODIS 建立在 Mask-RCNN 之上，并以监督方式进行训练。
2023-09-07 11:09:25
127
原创 SimVODIS++: Neural Semantic Visual Odometry in Dynamic Environments 论文阅读
语义的缺乏和动态对象导致的性能下降阻碍了其在现实场景中的应用。为了克服这些限制，我们在Simultanerous VO、Object Detection和Instance segmentation (SimVODIS) 网络之上设计了一种新颖的神经语义视觉里程计 (VO) 架构。接下来，我们提出了一种具有多任务学习形式的专用姿态估计架构，用于处理动态对象和 VO 性能增强。此外，SimVODIS++ 专注于显着区域，同时排除无特征区域。
2023-09-06 19:20:19
529
中国科学技术大学EPC过关英语考试复习资料
2023-10-14
最小生成树(基于python)
2021-01-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人