- 博客(16)
- 收藏
- 关注
RSS订阅原创 泛化NeRF系列：IBRNet 学习基于多视点图像的绘制
1摘要作者提出了一种通过插值法来利用稀疏的邻近视点集来合成复杂场景的新视点的方法。这种方法的核心是一个网络架构，它包括一个多层感知器(MLP)和一个光线转换器（Ray transformer），它可以估计连续5D位置(3D空间位置xxx和2D观察方向ddd)的颜色值ccc和体积密度σσσ，从多个源视图中动态绘制外观信息。通过在渲染时绘制源视图，作者采用了一些基于图像的渲染(IBR)的经典工作中的方法，并可以以此渲染高分辨率的图像。与优化每个场景的渲染函数的NeRF不同，我们学习了一种通用的视图插值函数，该
2022-05-29 13:38:09
1251
原创 泛化nerf系列：pixelNeRF 一种基于NeRF的多视角三维重建网络
1摘要文中提出了一种新的学习框架PixelNeRF，针对的是原本NeRF的不足。即现有的构建神经辐射场的方法往往需要大量的已知观察视角的图片作为输入并且需要花费大量的训练时间。PixelNeRF为了克服这些不足，允许网络跨多个场景被训练以学习先前的场景（获取场景先验知识），使其能够以前馈的方式从稀疏（sparse）的视图集(如一个)执行新的视图合成。利用NERF的体绘制方法，文中的模型可以在没有显式3D监督的情况下直接从图像训练。论文进行了大量实验，实验结果表明，在所有情况下，PixelNeRF在新颖的
2022-05-29 10:07:02
5519
1
转载 CMake解决c++11的phread库问题：undefined reference to `pthread_create’
转载https://www.cnblogs.com/long5683/p/12992658.htmlCMake解决c++11的phread库问题：undefined reference to `pthread_create’方法一PROJECT(HELLO)set(CMAKE_CXX_FLAGS “${CAMKE_CXX_FLAGS} -std=c++11”)AUX_SOURCE_DIRECTORY(. SRC_LIST)ADD_EXECUTABLE(hello ${SRC_LIST})从cm
2022-03-02 11:42:41
786
原创 零基础学习pythonTask02
参考资料：https://linklearner.com/datawhale-homepage/index.html#/learn/detail/6数学运算、字符串和文本列表实现第一行代码和认识注释#认识注释，注释是由# 加相关备注，但是不会在代码中运行，可以作为帮助理解的功能#写出你的第一行代码向世界问好print('hello world!')hello world!数学运算#认识运算符#加减乘除等以及特殊符号#• + plus，加号#• - minus，减号#• / sla
2022-02-23 10:28:57
131
原创 动手学习数据分析Task04
参考资料：https://gitee.com/datawhalechina/hands-on-data-analysis**复习：**回顾学习完第一章，我们对泰坦尼克号数据有了基本的了解，也学到了一些基本的统计方法，第二章中我们学习了数据的清理和重构，使得数据更加的易于理解；今天我们要学习的是第二章第三节：数据可视化，主要给大家介绍一下Python数据可视化库Matplotlib，在本章学习中，你也许会觉得数据很有趣。在打比赛的过程中，数据可视化可以让我们更好的看到每一个关键步骤的结果如何，可以用来优化方
2021-12-19 23:23:44
72
原创 动手学习数据分析Task05
参考资料：https://gitee.com/datawhalechina/hands-on-data-analysis第三章 模型搭建和评估–建模经过前面的两章的知识点的学习，我可以对数数据的本身进行处理，比如数据本身的增删查补，还可以做必要的清洗工作。那么下面我们就要开始使用我们前面处理好的数据了。这一章我们要做的就是使用数据，我们做数据分析的目的也就是，运用我们的数据以及结合我的业务来得到某些我们需要知道的结果。那么分析的第一步就是建模，搭建一个预测模型或者其他模型；我们从这个模型的到结果之后，我
2021-12-19 23:20:33
222
原创 动手学习数据分析Task03
参考资料：https://gitee.com/datawhalechina/hands-on-data-analysis复习：在前面我们已经学习了Pandas基础，第二章我们开始进入数据分析的业务部分，在第二章第一节的内容中，我们学习了数据的清洗，这一部分十分重要，只有数据变得相对干净，我们之后对数据的分析才可以更有力。而这一节，我们要做的是数据重构，数据重构依旧属于数据理解（准备）的范围。开始之前，导入numpy、pandas包和数据# 导入基本库import numpy as npimport
2021-12-18 11:36:34
116
原创 动手学习数据分析Task02
参考资料：https://gitee.com/datawhalechina/hands-on-data-analysis【回顾&引言】前面一章的内容大家可以感觉到我们主要是对基础知识做一个梳理，让大家了解数据分析的一些操作，主要做了数据的各个角度的观察。那么在这里，我们主要是做数据分析的流程性学习，主要是包括了数据清洗以及数据的特征处理，数据重构以及数据可视化。这些内容是为数据分析最后的建模和模型评价做一个铺垫。开始之前，导入numpy、pandas包和数据#加载所需的库import num
2021-12-16 16:01:21
80
原创 动手学习数据分析Task01
复习:这门课程得主要目的是通过真实的数据，以实战的方式了解数据分析的流程和熟悉数据分析python的基本操作。知道了课程的目的之后，我们接下来我们要正式的开始数据分析的实战教学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。这里有两份资料：教材《Python for Data Analysis》和 baidu.com &google.com（善用搜索引擎）1 第一章：数据载入及初步观察1.1 载入数据数据集下载 https://www.kaggle.com/c/titanic/o
2021-12-14 21:10:26
134
原创 深度学习学习笔记
目录Task054循环神经网络（RNN）4.1计算图4.2循环神经网络（RNN）4.2.1RNN发展历程4.2.2RNN的一般结构4.2.3RNN训练算法-BPTT4.3长短时记忆网络4.3.1LSTM4.4其他经典的循环神经网络4.4.1Gated Recurrent Unit（GRU）4.4.2Bi-directional RNN（双向RNN）4.4.3Continuous time RNN（CTRNN）4.5循环神经网络的主要应用4.5.1语
2021-12-01 12:35:05
642
原创 深度学习笔记
Task044 CNN卷积神经网络也是一种前馈神经网络，是受到生物学上感受野（感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质）的机制而提出的（在视觉神经系统中，一个神经元的感受野是指视网膜上的特定区域，只有这个区域内的刺激才能够激活该神经元）。4.1卷积卷积：(f*g)(n)成为f和g的卷积，连续卷积和离散卷积可以表达为如下形式：4.2...
2021-11-27 21:45:19
955
原创 深度学习学习笔记
3前馈神经网络神经网络是最早作为一种连接主义为主的模型。3.1神经元模型3.1.1神经元（M-P）在M-P模型中，神经元接受其他n个神经元的输入信号(0或1)，这些输入信号经过权重加权并求和，将求和结果与阈值(threshold)θ比较，然后经过激活函数处理，得到神经元的输出。图3-1典型的神经元结构3.1.2网络结构人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。图3-2几种神经网络网络结构3.2感知器3.2.1单...
2021-11-23 09:54:06
319
原创 深度学习学习笔记
0绪论0.1深度学习的起源与发展0.1.1深度学习的起源阶段（1）1943年，心理学家麦克洛克和数学逻辑学家皮兹发表论文《神经活动中内在思想的逻辑演算》，提出了MP模型。（2）1949年，加拿大著名心理学家唐纳德赫布在《行为的组织》中提出了一种基于无监督学习的规则————海布学习规则（Hebb Rule）。（3）20世纪50年代末，在MP模型和海布学习规则的研究基础上，美国科学家罗森布拉特发现了一种类似于人类学习过程的学习算法——感知机学习。并于1958年，正式提出了由两层神经元组成的神
2021-11-17 11:14:56
978
原创 机器学习西瓜书学习笔记
1绪论机器学习：机器学习所研究的主要内容是关于在计算机上从数据中产生模型的算法。机器学习是研究关于学习算法的学问。1.1基本术语数据集（样本）：学习（训练）：从数据中得到模型的过程。训练数据，训练样本，由训练样本组成的集合成为训练集。模型（学习器）：学习算法在给定的数据和参数空间上的实例化。样例：有了标记信息的示例。标记的集合称为标价空间。分类：预测的值为离散值的学习任务。回归：预测的值为连续值得学习任务。二分类任务：只涉及两个类别的分类任务。其中一个..
2021-09-15 09:43:16
199
原创 决策树知识
目录1衡量样本集合纯度的几种指标1.1信息熵1.2信息增益1.3信息增益率1.4基尼指数2构建决策树的三种常用算法2.1 ID3.0算法2.2 C4.5算法2.3 CART算法3剪枝算法3.1过拟合3.2预剪枝（自顶向下）3.3后剪枝（自底向上）4一些补充4.1连续值处理4.2缺失值处理4.3多变量决策树1衡量样本集合纯度的几种指标1.1信息熵信息熵是信息量的数学期望，是信源发出信息前的先验不确定性，也称为先验熵，信息熵..
2021-05-20 12:19:34
282
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人