- 博客(46)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 使用Pybind11将c++第三方库编译为动态链接库
编译完成后，该文件夹下就会出现一个名为。3. 此时在该文件夹下打开终端，输入。此时终端就会打印出3。
2023-09-18 13:52:41
258
原创 mayavi的自定义colormap
https://docs.enthought.com/mayavi/mayavi/auto/example_custom_colormap.html
2023-08-15 10:43:59
204
原创 【算法】Fisher-Yate洗牌算法
Fisher-Yates 洗牌算法（Fisher-Yates Shuffle）是一种用于随机打乱数组或列表元素顺序的算法，以获取随机排列。Fisher-Yates 洗牌算法的基本思想是从数组中的最后一个元素开始，逐步将当前位置的元素与数组中之前的位置中的一个随机元素进行交换，直到第一个元素。Fisher-Yates 洗牌算法是一种简单且高效的洗牌方法，适用于需要随机排列的各种情况，如随机抽样、模拟和算法中的随机化等。将当前位置的元素与随机位置的元素进行交换。
2023-08-11 10:00:54
878
原创 【openpcdet】absolute_coordinates_encoding函数
point_feature_list = [points[:, 0:3]]：这行代码创建一个列表 point_feature_list，并将点云数据中的前三列（即坐标 x, y, z）切片出来，存储在 point_feature_list 中。point_feature_list.append(points[:, idx:idx+1])：将点云数据中第 idx 列切片出来，并添加到 point_feature_list 中，这样就将其他特征信息也加入了编码后的点云表示中。
2023-08-05 22:20:08
194
原创 【MMSegmentation】最简单案例
本来是想测试一下，mmseg库中。函数是可以直接传入图像的。然后把图像从路径读取改为。这个是老问题了，可以看。
2023-04-12 09:41:51
333
原创 【解决】qt.qpa.plugin: Could not load the Qt platform plugin “xcb“
发现是opencv和pyqt5同时使用的问题；
2023-03-23 10:26:38
883
2
原创 【3D目标检测】用于自动驾驶的多视图 3D 对象检测网络——论文阅读1
目的：实现自动驾驶场景中的高精度 3D 物体检测；贡献：提出了多视图 3D 网络 (Multi-View 3D Networks, MV3D)，这是一种将LIDAR 点云和 RGB 图像作为输入并预测定向 3D 边界框的感官融合框架。（注：提出了一种框架，预测结果是含有车辆行驶方向的3D边界框）方法：使用紧凑的多视图表示对稀疏3D 点云进行编码。细节：该网络由两个子网络组成：一个用于 3D 对象提议生成(Proposal)，提议网络从 3D 点云的鸟瞰图(BEV)表示中有效地生成 3D 候选框。
2023-03-14 11:31:46
437
1
原创 MMLAB-AI训练营笔记——Day2
任务目标：给定一张图片，识别图片中的物体是什么；数学表示：图像X属于R（H，W, 3)，类别为1，2，3，。。，K。从X映射到{K}步骤：1.收集数据，2.定义模型，3.训练，4.预测机器学习的局限：机器学习善于处理低维、分布相对简单的数据传统方法（设计图像特征）：图像通过人工设计的方法变为特征向量，经过机器学习进行分类使用深度学习：学习如何产生适合分类的特征
2023-02-03 16:18:42
74
原创 MMLAB-AI训练营笔记——Day1
MMDetection：目标检测、实例分割、全景分割（加入全景感知）MMDetection3D：物体具有3D坐标MMEditing换config文件就可以实现不同模型在同一数据集上的跑分。
2023-02-01 20:57:30
141
原创 Pytorch学习笔记——迁移学习（微调）
可以看出，使用预训练模型参数的网络在经过同样的epoch后，达到的精度更高。4.不使用预训练模型的Python代码。2.使用预训练模型的Python代码。
2023-01-04 19:03:08
434
1
原创 【leetcode】矩阵置零（Python代码）
给定一个 m x n 的矩阵，如果一个元素为 0 ，则将其所在行和列的所有元素都设为 0。请使用 原地 算法。输入：matrix = [[1,1,1],[1,0,1],[1,1,1]]输出：[[1,0,1],[0,0,0],[1,0,1]]
2023-01-04 11:11:40
321
原创 pytorch学习笔记——batch生成器
深度学习的训练数据往往很多，如果一次性训练所有的数据，不但会导致时间过长，而且训练次数不够，参数也不能得到很好的迭代。为此，将训练数据分成小的batch，一次batch迭代就可以完成一次参数更新，大大提高了训练速度。Pytorch中有现成的batch生成器，但是为了底层原理的理解，最好自己能够写出这样的代码，就先从能看懂现成代码开始吧。
2022-10-19 16:27:00
1307
3
原创 Pytorch学习笔记——mnist数据集训练及测试
下载后，使用gunzip + 文件名的方式解压，然后在python文件的路径下新建一个‘data’文件夹，把这四个文件放进去。通过修改epochs参数，可以修改迭代的次数，以提高准确率；可以看出，随着迭代次数的增加，准确率越来越高。修改网络层参数，可以更改单次迭代效率。，四个文件都需要下载。
2022-10-14 14:14:47
1327
原创 【Data fusion】论文阅读——Multisensor image fusion in remote sensing: concepts, methods and applications
地球观测卫星以不同的空间、时间和光谱分辨率提供涵盖电磁频谱不同部分的数据。为了充分利用日益复杂的多源数据，正在开发先进的分析或数值数据融合技术（Shen 1990）。由于结合了具有不同特征的数据，融合图像可以提供更高的解释能力和更可靠的结果。这些图像的光谱、空间和时间分辨率各不相同，因此可以提供更完整的观察对象视图。图像融合的目的是整合不同的数据，以获得比单独从单个传感器数据中获得的信息更多的信息（“1+1=3”）。一个很好的例子是将对可见光/红外 (VIR) 敏感的传感器获取的图像与来自有源合成孔径雷达
2022-08-24 10:46:27
210
原创 改进的粒子群算法(PSO)算法Python代码——非对称学习因子
前三篇链接：使用基础粒子群(PSO)算法求解一元及二元方程的Python代码改进的粒子群算法(PSO)算法Python代码——线性/非线性递减惯性权重改进的粒子群算法(PSO)算法Python代码——随机惯性权重
2022-06-11 15:33:41
2341
原创 改进的粒子群算法(PSO)算法Python代码——随机惯性权重
前两篇链接：使用基础粒子群(PSO)算法求解一元及二元方程的Python代码改进的粒子群算法(PSO)算法Python代码——线性/非线性递减惯性权重基本的速度更新公式为：vid=wvid−1+c1r1(pbestid−xid)+c2r2(gbestd−xid) v_i^d=wv_i^{d-1}+c_1r_1(pbest_i^d-x_i^d)+c_2r_2(gbest^d-x_i^d)vid=wvid−1+c1r1(pbestid−xid)+c2r2(gbestd−xid)其
2022-05-10 14:52:44
2578
4
原创 改进的粒子群算法(PSO)算法Python代码——线性/非线性递减惯性权重
前一篇链接：使用基础粒子群(PSO)算法求解一元及二元方程的Python代码基本的速度更新公式为：vid=wvid−1+c1r1(pbestid−xid)+c2r2(gbestd−xid) v_i^d=wv_i^{d-1}+c_1r_1(pbest_i^d-x_i^d)+c_2r_2(gbest^d-x_i^d)vid=wvid−1+c1r1(pbestid−xid)+c2r2(gbestd−xid)其中，下标iii表示第i个粒子，上标ddd表示第d次循环，vidv_i^dvid表
2022-05-10 13:05:20
4671
2
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