未知丶丶-CSDN博客

原创《论文阅读》BALM: Bundle Adjustment for Lidar Mapping

1.将BA从视觉领域扩展到了雷达领域，用一系列复杂的数学公式阐述了方法，从最小化特征点投影的距离改成了最小化投影点到特征平面和边缘的距离2.提出了一种自适应体素化的方法，但其实就是设个大值然后遍历，这种方法的效率比较低但也算实用，这也能看出在LiDAR中voxel的设置是个很大的问题。

2022-12-02 16:25:26 2062 4

原创《论文阅读》Deep Unsupervised 3D SfM Face Reconstruction Based on Massive Landmark Bundle Adjustment

1.将SFM的约束方法引入了三维人脸重建，并且类似地构造了几种一致性，也是从SFM的多视角特性里面提取出来的2.用了无监督的方法，因为人脸重建特殊的landmark性质，同时监督landmark和像素点，其实传统的SFM（BA）的设计方法就很无监督，也是利用一致性的，但在DL里体现出来就不一样了。

2022-11-29 16:29:23 663 4

原创《论文阅读》DeepSFM: Structure From Motion Via Deep Bundle Adjustment

1.框架构造的方式就是按BA那样进行的设计，加入了光度一致性（目标特征图和转换后的源特征图的一致性）、几何一致性（深度图一致性）和相机约束（初始化一个pose，然后迭代更新）2.一个很有趣的采样方式，可以让它在初始值不太理想的情况下进行空间采样，获得更多值的可能，但其实这种方式应该也只是在局部进行小改动，而且感觉会有点影响时间复杂性。

2022-11-29 11:40:10 760 1

原创《论文阅读》BA-NET: DENSE BUNDLE ADJUSTMENT NETWORKS

1.使用端到端的方法来实现visual的BA，构造了个看起来很有趣的BA layer来解决可微的问题，理论来说，有了这个BA层，就可以实现各种模态的BA。

2022-11-28 11:51:17 1760

原创《论文阅读》FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation

留个笔记自用FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation做什么Scene Flow Estimation场景流预测也就是提供两帧后估计场景中每个点的三维运动，可以理解成包含3D信息的场景配准做了什么这里提出了一个迭代式的步骤，没有用端到端的方法学习，而是用步骤化来细化场景流预测，然后用强正则化方法证明了解的迭代收敛性怎么做首先是场景流的问题定义，就像前面所说的，输入是两组点云S和T，pi∈R3∈

2021-10-14 15:31:12 566

原创 Ubuntu服务器清除挖矿程序

言简意赅，直入主题早晨ssh登录服务器的时候发现出现情况screen创建的会话本来还在跑代码的，重新进入一看被terminal了一脸懵逼地输入nvidia-smi我了个擦！两张显卡占用一样，而且每秒都是100%，并且都只有一个程序在占用，先是kill一下以示尊敬，下一秒再看又回来了Top一看，root用户成了，被入侵挖矿病毒了看了下日志，被人爆破了，一堆Failed password，可能最后直接遍历出正确答案了解决一下直接重装系统，无敌当然还有另外一种解决方法一般来说，这种ki

2021-10-07 16:20:28 3937 1

原创《论文阅读》PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths

留个笔记自用PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths做什么Point Cloud Completion点云补全，简单来说，由于扫描限制，扫描得到的结果可能是一个不完整的稀疏点云，任务目标就是保证形状和全局的前提下进行上采样一样的工作，将稀疏点云构造成具有局部信息的稠密点云做了什么这里点云补全的方法是来模拟移动行为，将不完整点云中的逐个点进行移动，也就是根据总的点移动距离的约束，为每个点预测

2021-10-05 23:09:29 1488

原创《论文阅读》Variational Relational Point Completion Network

留个笔记自用Variational Relational Point Completion Network做什么Point Cloud Completion点云补全，简单来说，由于扫描限制，扫描得到的结果可能是一个不完整的稀疏点云，任务目标就是保证形状和全局的前提下进行上采样一样的工作，将稀疏点云构造成具有局部信息的稠密点云做了什么这里提出了一个初始化补全再精化补全的结构，初始化部分使用了根据全局形状的概率建模，补全部分则使用了注意力机制怎么做整体结构两个部分组成，第一部分PMNet，采

2021-09-24 16:40:24 608

原创《论文阅读》Generalizing to the Open World: Deep Visual Odometry with Online Adaptation

留个笔记自用Generalizing to the Open World: Deep Visual Odometry with Online Adaptation做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之

2021-09-18 17:02:10 747

原创《论文阅读》D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry

留个笔记自用D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出

2021-09-03 18:02:40 881

原创《论文阅读》Delving into Deep Imbalanced Regression

留个笔记自用Delving into Deep Imbalanced Regression做什么Imbalanced Regression回归不平衡问题从具有连续目标的不平衡数据中学习，处理某些目标值的潜在缺失数据，并推广到整个目标范围，即如上图所展示，一些连续回归任务中数据分布不平衡，存在缺少某些值的情况，这会对网络的预测存在影响，极端情况下可能无论任何输入他的输出都会是某一类别做了什么这里提出了两种解决回归不平衡的方式。标签分布平滑(LDS)和特征分布平滑(FDS)，通过使用核分布在标

2021-08-28 17:49:13 2189 1

原创《论文阅读》Unsupervised Learning of Fine Structure Generation for 3D Point Clouds by 2D Projection Matchi

留个笔记自用Unsupervised Learning of Fine Structure Generation for 3D Point Clouds by 2D Projection Matching做什么2D to 3D point clouds由2D图像生成3D点云顾名思义，任务的目的是使用一张2D图片生成该图片中物体所对应的3D点云集做了什么这里的方法是将三维点云学习视为一个2D投影匹配问题。引入结构自适应采样来随机采样轮廓内的2D点，而不是使用整个2D轮廓图像作为规则像素监督，缓

2021-08-23 19:38:51 423

原创《论文阅读》CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth

留个笔记自用Continuous scale-space direct image alignment for visual odometry from RGB-D images做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束

2021-08-20 17:05:57 473

原创《论文阅读》Optimizing RGB-D Fusion for Accurate 6DoF Pose Estimation

留个笔记自用Optimizing RGB-D Fusion for Accurate 6DoF Pose Estimation做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之间的运动信息（旋转矩阵R和平移t）。

2021-08-17 12:53:16 363

原创《论文阅读》Tight Integration of Feature-based Relocalization in Monocular Direct Visual Odometry

留个笔记自用Tight Integration of Feature-based Relocalization in Monocular Direct Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及

2021-08-12 17:38:20 299

原创《论文阅读》LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping

留个笔记自用LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可

2021-08-09 17:08:55 732

原创《论文阅读》Deep Online Correction for Monocular Visual Odometry

留个笔记自用Deep Online Correction for Monocular Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之间的运动信息（旋转矩阵R和平移t）。这样我们就

2021-08-04 16:00:06 555

原创《论文阅读》Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry

留个笔记自用Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数

2021-08-01 17:01:57 587 3

原创《论文阅读》Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds

留个笔记自用Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深

2021-07-30 17:34:26 788

原创《论文阅读》Automatic Hyper-Parameter Tuning for Black-box LiDAR Odometry

留个笔记自用Automatic Hyper-Parameter Tuning for Black-box LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

2021-07-26 16:21:57 167

原创《论文阅读》Poisson Surface Reconstruction for LiDAR Odometry and Mapping

留个笔记自用Poisson Surface Reconstruction for LiDAR Odometry and Mapping做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

2021-07-22 17:20:35 877 4

原创《论文阅读》PSF-LO: Parameterized Semantic Features Based Lidar Odometry

留个笔记自用PSF-LO: Parameterized Semantic Features Based Lidar Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就

2021-07-18 22:09:29 768 5

原创《论文阅读》Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator

留个笔记自用Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器

2021-07-16 11:47:31 305

原创《论文阅读》Efficient LiDAR Odometry for Autonomous Driving

留个笔记自用Efficient LiDAR Odometry for Autonomous Driving做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有

2021-07-12 11:58:19 482 1

原创《论文阅读》CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR

留个笔记自用CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

2021-07-08 19:03:38 463 3

原创《论文阅读》CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder Based Interes

留个笔记自用CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder Based Interest Point Detection and Feature Description做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用

2021-07-02 21:32:34 323 2

原创《论文阅读》Self-supervised Learning of LiDAR Odometry for Robotic Applications

留个笔记自用Self-supervised Learning of LiDAR Odometry for Robotic Applications做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远

2021-07-01 22:17:03 347 2

原创《论文阅读》D3DLO: DEEP 3D LIDAR ODOMETRY

留个笔记自用D3DLO: DEEP 3D LIDAR ODOMETRY做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程计，才能准确将机器人扫描出

2021-06-29 16:16:46 376 1

原创《论文阅读》DMLO: Deep Matching LiDAR Odometry

留个笔记自用DMLO: Deep Matching LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程计，才能准确将机

2021-06-27 18:00:56 462 2

原创《论文阅读》DeepLO: Geometry-Aware Deep LiDAR Odometry

留个笔记自用DeepLO: Geometry-Aware Deep LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程

2021-06-26 22:19:22 809 1

原创《论文阅读》LO-Net: Deep Real-time Lidar Odometry

留个笔记自用融合掩码预测的激光雷达⾃运动估计做什么做了什么怎么做总结

2021-06-23 16:28:23 912

原创《论文阅读》AXIAL ATTENTION IN MULTIDIMENSIONAL TRANSFORMERS

留个笔记自用AXIAL ATTENTION IN MULTIDIMENSIONAL TRANSFORMERS做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么这里又是一种trans

2021-03-11 19:03:00 6148 2

原创《论文阅读》REFORMER: THE EFFICIENT TRANSFORMER

留个笔记自用REFORMER: THE EFFICIENT TRANSFORMER做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么众所周知的大型transformer这种东西很费

2021-03-10 21:17:06 1012 2

原创《论文阅读》SYNTHESIZER: RETHINKING SELF-ATTENTION FOR TRANSFORMER MODELS

留个笔记自用SYNTHESIZER: RETHINKING SELF-ATTENTION FOR TRANSFORMER MODELS做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什

2021-03-05 20:46:31 811

原创《论文阅读》Linformer: Self-Attention with Linear Complexity

留个笔记自用Linformer: Self-Attention with Linear Complexity做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么这里设计了一款tran

2021-03-04 22:05:26 2761 1

原创《论文阅读》Sparse Sinkhorn Attention

留个笔记自用PCT: Point Cloud Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么设计了一种sparse attention的计算方法，引入了一

2021-03-03 17:35:00 2386

原创《论文阅读》PCT: Point Cloud Transformer

留个笔记自用PCT: Point Cloud Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么跟另外一篇Point transformer的说法非常相似，将

2021-02-19 16:17:00 4561 7

原创《论文阅读》Point Transformer

留个笔记自用Point Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么怎么做总结...

2021-02-14 21:09:22 8741 5

原创《论文阅读》GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning

留个笔记自用GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning做什么3D object detection。3维目标检测对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的而所谓的object tracking就是目标追踪，就是在detect的基础上增加了一个时序性，常见的

2020-12-09 16:19:15 1477

原创《论文阅读》Joint 3D Instance Segmentation and Object Detection for Autonomous Driving

留个笔记自用Joint 3D Instance Segmentation and Object Detection for Autonomous Driving做什么Instance segmentation实例分割目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance segmentation

2020-12-08 16:50:02 1082 1

空空如也

空空如也