陈建驱的博客

特征表示学习是实现基于学习的多视点立体视觉的关键。作为基于学习的MVS的通用特征提取器，普通特征金字塔网络(FPNs)在反射和无纹理区域存在特征表示不理想的问题，限制了MVS的泛化。即使FPNs与预训练的卷积神经网络(CNN)一起工作，也无法解决这些问题。另一方面，视觉Transformers(ViTs)在许多2D视觉任务中取得了显著的成功。那么，ViTs是否能够促进MVS中的特征学习呢?本文提出一种预训练的ViT增强MVS网络，称为MVSFormer，它可以从ViT中受益于信息先验学习更可靠的特征表示。

则图像中每个像素对应的3D点，等于从相机光心发射的、通过该像素的射线与地面的交点。求解该交点，并将其投影到相机坐标系，即可得到每个像素距离地面的深度。平面外某条射线的起点。假设已知相机到地面的位姿。求：射线 和平面的交点。已知：空间平面上的点。

提出一种基于cost volume的神经网络，用于多视图图像的深度推断。我们证明了以一种coarse-to-fine的方式构建cost volume金字塔，而不是以固定分辨率构建cost volume，可以得到一个紧凑、轻量级的网络，并允许推断高分辨率深度图，以获得更好的重建结果。为此，首先以图像的最粗分辨率在整个深度范围内对前平行平面(fronto-parallel planes)进行均匀采样，以此为基础构建cost volume。然后，给定当前深度估计，我们在像素深度残差上迭代构建新的cost volu

论文：IMU Preintegration on Manifold for Effificient Visual-Inertial Maximum-a-Posteriori Estimation引言接上文…考虑(31)中的预积分测量模型，由于测量噪声为零均值且为一阶高斯(35)，残差 rIij≡[rΔRijT,rΔvijT,rΔpijT]T∈R9\bold{r}_{\mathcal{I}_{ij}} \equiv [ \bold{r}_{\Delta \bold{R}_{ij}}^T , \bold{r}_

论文：IMU Preintegration on Manifold for Effificient Visual-Inertial Maximum-a-Posteriori Estimation引言接上文…从旋转噪声开始:ΔR~ij=Ri⊤RjExp⁡(δϕij)⇒Exp⁡(−δϕij)≐∏k=ij−1Exp⁡(−ΔR~k+1j⊤JrkηkgdΔt)(32)\Delta \tilde{\mathrm{R}}_{i j} =\mathrm{R}_{i}^{\top} \mathrm{R}_{j} \ope

论文：IMU Preintegration on Manifold for Effificient Visual-Inertial Maximum-a-Posteriori Estimation引言本文提出了一个使用增量平滑（incremental smoothing）快速计算最大后验估计(MAP)的系统。第一项贡献是发展出了一种新颖的预积分理论。 预积分IMU测量的使用是在[26]中首次提出的，包括将两个关键帧之间的许多惯性测量组合成一个相对运动约束。 本文在此工作的基础上提出了一个预积分理论，该理论恰当

所谓极线约束就是说同一个点在两幅图像上的映射，已知左图映射点 ，那么右图映射点 一定在相对于 的极线上，这样可以减少待匹配的点数量。

卡尔曼滤波的详细推导过程。

本文记录BCH公式、李代数求导、伴随矩阵等知识点

3D Dynamic Scene Graphs: Actionable Spatial Perception with Places, Objects, and HumansAntoni Rosinol, Arjun Gupta, Marcus Abate, Jingnan Shi, Luca CarloneLaboratory for Information & Decision Systems (LIDS)Massachusetts Institute of TechnologyRSS2

CubeSLAM: Monocular 3-D Object SLAMShichao Yang and Sebastian Scherer摘要In this paper, we present a method for single image three-dimensional (3-D) cuboid object detection and multiview object simultaneous localization and mapping in both static and dyn

PL-VIO: Tightly-Coupled Monocular Visual–Inertial Odometry Using Point and Line FeaturesYijia He 1,2,* , Ji Zhao 3, Yue Guo 1,2, Wenhao He 1 and Kui Yuan 12018摘要To address the problem of estimating camera trajectory and to build a structural 3D map ba

VDO-SLAM: A Visual Dynamic Object-aware SLAM SystemJun Zhang[co]1, Mina Henein[co]1, Robert Mahony1 and Viorela Ila21Australian National University, Canberra2University of Sydney, Sydney2020年摘要The scene rigidity assumption, also known as the static

初始化跟踪线程局部建图线程回环检测线程

RAFT论文和代码阅读RAFT: Recurrent All-Pairs Field Transforms for Optical FlowZachary Teed and Jia DengECCV2020 best paper摘要We introduce Recurrent All-Pairs Field Transforms (RAFT), a new deep network architecture for optical flow. RAFT extracts per-pixel fe

PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric SpaceCharles R. Qi Li Yi Hao Su Leonidas J. GuibasStanford UniversityAbstractFew prior works study deep learning on point sets. PointNet is a pioneer in this direction. However, b

获取Realsense的相关参数1.1获取Realsense的串口号rs2::context ctx;autodevs = ctx.query_devices();///获取设备列表intdevice_num = devs.size();std::cout<<"device num: "<<device_num<<std::endl;///设备数量///查看第0个设备的信息rs2::device dev = devs[0];///设备...

结巴分词结巴分词是有国内程序员(https://github.com/fxsjy/jieba)做的一个分词工具，刚开始是Python版本的，后来由anderscui(https://github.com/anderscui/jieba.NET )移植到.Net上面。结巴分词的分词过程大致为：·前缀词典（Trie）：用于存储主词典，也可以动态增删词条，这个词典可以理解为jieba所“知道”的词，或者说已登录词；·有向无环图（DAG）：通过前缀词典，可以找出句子所有可能的成词结果；·最大概率

聊天机器人ChatterBotChatterBot是一个基于Python的开源聊天机器人框架。ChatterBot支持中文，且可以在对话中实时改进。一个未经训练的ChatterBot实例开始时不知道如何通信。每次用户输入语句时，库都会保存他们输入的文本以及语句响应的文本。当ChatterBot收到更多输入时，它可以回复的响应数量以及与输入语句相关的每个响应的准确性都会增加。程序通过搜索与输入匹配的最接近的匹配已知语句来选择最接近的匹配响应，然后从选择对该语句的已知响应中选择...

目录<span style="color:#333333"><span style="background-color:#f5f5f5">1.前言2.机器人3.聊天机器人4.分类5.好的聊天机器人应该具备的特点6.基于模板的聊天机器人7.检索式聊天机器人8.生成式聊天机器人9.参考文献</span></span>前言 网上的资料太乱了，参考着网上的文章写了这篇关于聊天机器人的概述文章，文章的很多内容并非原...