- 博客(78)
- 收藏
- 关注
RSS订阅原创 Win11+Anaconda+VScode：mmpose环境配置与基本使用
欢迎来到 MMPose 中文文档!— MMPose 1.3.2 文档MMPose 是一款基于 Pytorch 的姿态估计开源工具箱，是 OpenMMLab 项目的成员之一，包含了丰富的 2D 多人姿态估计、2D 手部姿态估计、2D 人脸关键点检测、133关键点全身人体姿态估计、动物关键点检测、服饰关键点检测等算法以及相关的组件和模块。提供了一种简单迅捷的方式，将新的算法、功能和应用添加到 MMPose 中更灵活的代码结构和风格，更少的限制，更简短的代码审核流程。
2024-07-23 16:28:07
491
原创 常用的python程序汇总——入门级
Python 是一种高级编程语言，因其简洁易读、功能强大和广泛的应用而受到许多开发者的喜爱。以上就是今天要讲的内容，本文仅仅简单介绍了一些常用 Python 程序的示例代码，涵盖数据分析、数据可视化、文件管理等。
2024-07-23 16:05:07
483
原创 CloudCompare安装与使用记录——点云标注
CloudCompare是一个三维点云(和三角网格)编辑和处理软件。 最初，它被设计用于在稠密的3D点云之间进行直接比较。它依赖于一个特定的八叉树结构，在执行此类任务时能够获得出色的性能。此外，作为大多数点云CloudCompare是通过地面激光扫描仪获取的，它的目的是在一个标准笔记本电脑——通常超过1000万点(2005年)不久后，点云和三角形云之间的比较网格已支持(见下文)。随后，许多其他点云处理算法相继出现注册，重采样，颜色/法向量/标量域管理，统计计算，传感器管理，交互或自动分割等)
2024-07-16 15:44:12
680
原创 ubuntu20.04：ROS驱动usb相机和livox雷达——Noetic版本
ROS，全称Robot Operating System（机器人操作系统），是一个开源操作系统框架，专为开发和集成复杂的机器人系统而设计。它提供了一套工具、库和协议，使机器人软件开发变得更加模块化、可重用和易于构建。ROS的核心理念是通过消息传递机制连接各个组件，允许不同进程之间进行通信。在ROS中，节点是运行在单独进程中并执行特定任务的基本单位。它们通过发布和订阅主题来与其他节点交换数据。主题是ROS中的消息通道，每个主题都有一个特定的数据类型，例如传感器数据或控制命令。
2024-07-08 18:37:17
824
原创 python的使用技巧整理
Python 是一门功能强大且易于学习的编程语言，广泛应用于数据科学、Web开发、自动化脚本等领域。以下是一些使用 Python 的技巧和最佳实践，帮助你更高效地编写代码。希望这些技巧和最佳实践能帮助你更好地使用Python。
2024-06-25 11:17:49
614
原创 论文阅读：Neural Scene Flow Prior
在迭代0时，给定神经先验的随机初始化，场景流是随机的。本文展示了基于多层感知器（MLP）架构的场景流先验可以达到竞争性的结果，并且能够估计点云序列中的稠密长期对应关系。使用我们的神经先验进行积累，很好地产生了更密集的点云，同时照顾到场景中的所有动态对象。本文提出了一种基于神经网络的场景流先验方法，通过使用神经网络结构本身作为隐式正则化器，实现了在没有离线数据集的情况下对场景流的正则化。该方法在实际应用中表现出色，具有较少的参数和较低的计算复杂度，同时在点云序列中实现了更好的场景流插值。
2024-06-05 11:46:19
1016
1
原创 论文阅读：Fast Neural Scene Flow
还对两个数据集进行了预处理，对于Argoverse数据集，使用了官方提供的扩展版本进行了预处理，对于Waymo Open数据集，发现该数据集中的点云有一部分是无效的，会影响后续的计算和可视化，因此作者对该数据集进行了清洗，去除了无效的点云。相反，它利用神经网络的结构来隐式正则化流估计，并采用可以轻松扩展到大规模分布外（OOD）场景的运行时优化，这对于当前的基于学习的方法是一个挑战。即使假设网格/体素的每个轴是可分离的，并且每轴的距离是预计算的，内存消耗仍然非常大，无法在单个 GPU 上处理。
2024-06-05 11:11:56
1263
原创 现代信号处理复习笔记（一）简答题
在一些情况下，卡尔曼滤波的状态更新方程和协方差更新方程与维纳滤波的滤波方程是一致的，因此可以将卡尔曼滤波看作是维纳滤波的实际应用。对平稳随机信号，如果它的所有样本函数在某一固定时刻的一阶和二阶统计特性（ 集合平均）和单一样本函数在长时间内的统计特 性（时间平均）一致，则称其为各态遍历信号。一致性：当线性系统的统计特性已知，并且噪声为高斯白噪声时，最小二乘估计和维纳滤波是一致的，即它们给出相同的估计结果。特点：小波变换能够以一致的方式对不同频率成分的信号进行分析，而不会因为频率的变化而改变其分析特性。
2024-06-04 16:22:12
914
原创 论文阅读：Correcting Motion Distortion for LIDAR HD-Map Localization
现在考虑三 种情况，一种情况是传感器在扫描期间保持静止（以 标记为 a 的姿势开始和结束），第二种情况其中传感器进行纯平移（从 a 开始并在 b 结束）， 第三种情况是传感器同时进行平移和旋转（从 a 开 始并在 c 结束）。通过在现实世界数据上进行实验，本文证明了VICET比传统的NDT和ICP提高了精度，降低了地图匹配的平移偏差（从6.9cm降低到0.27cm，降低了一个数量级），同时减少了一个sigma变化（从5.4cm到2.6cm）。然后，利用扩展的NDT算法，同时优化刚性变换和运动失真参数。
2024-05-29 16:52:03
1130
1
原创 香橙派AIpro快速上线——纯小白体验版本！！！
香橙派AIpro+ubuntu系统+32G sd卡香橙派AIpro开发板采用昇腾AI技术路线，接口丰富且具有强大的可扩展性，提供8/20TOPS澎湃算力，可广泛使用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理等AI领域。通过昇腾CANN软件栈的AI编程接口，可满足大多数AI算法原型验证、推理应用开发的需求。
2024-05-29 16:24:11
1088
原创 论文阅读：基于改进 YOLOv5算法的密集动态目标检测方法
YOLOv5原始主干网络采用3×3的卷积模块，对非密集场景下的目标识别任务具有出色的能力，但在密集场景和被识别物有遮挡的情况下很难提取到有效特征信息，为此论文研究对传统的 RepVGG 结构进行修改，引入更加友好的量化感知模块 QARepNeXt。综上所述，通过在主干网络、特征融合和损失函数等方面的改进，优化后的 YOLOv5s 算法模型有效提升了密集动态目标检测的精度和可靠性，适用于密集动态目标检测及其相关领域。目的：提出一种基于 YOLOv5改进的检测算法，解决密集动态目标检测精度低及易漏检的问题。
2024-05-15 18:53:03
692
1
原创 检查cuda和pytorch版本是否匹配
在虚拟环境中安装了 PyTorch 后，你可以在该环境中进行各种深度学习任务和开发工作。虚拟环境的好处在于可以隔离不同项目的依赖关系，确保它们之间不会相互影响。在虚拟环境中安装了 PyTorch 后，你可以做以下事情：1. 深度学习模型开发：使用 PyTorch 构建、训练和评估深度学习模型。PyTorch 提供了灵活而强大的工具，使得深度学习任务变得更加容易。2. 实验和研究：在虚拟环境中，你可以轻松地尝试新的深度学习模型、算法和技术，进行实验和研究。
2024-04-15 19:51:00
1622
原创 点云预处理——滤波、旋转和平移等处理
点云预处理——滤波、旋转和平移等处理。网上找了各种办法没有解决，我直接重新开始安装一遍。还可以运行自己的数据，修改lanch文件就行。安装好ubuntu系统和ROS环境。
2024-03-19 15:56:54
493
原创 ubuntu20.04：bin文件转化为pcd文件
环境：ubuntu20.04KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能。
2024-03-19 14:37:37
761
原创 现代信号处理学习笔记（五）自适应滤波器
滤波器可以实现滤波、平滑和预测等信息处理的基本任务。如果滤波器输出是滤波器输入的线性函数，则称为线性滤波器;否则称为非线性滤波器。若滤波器的冲激响应是无穷长的，便称为无限冲激响应(IIR)滤波器，而冲激响应有限长的滤波器叫做有限冲激响应(FIR)滤波器。如果滤波器是在时间域、频率域或空间域实现，则分别称为时域滤波器、频域滤波器或空域滤波器。“信号与系统”和“数字信号处理”等课程主要是在频率域讨论滤波器，本章重点关注时域滤波器。自适应滤波器是一种信号处理技术，用于从信号中提取所需信息或去除噪声。
2024-03-14 15:39:40
1223
原创 视觉slam十四讲学习笔记（七）视觉里程计 2
1.理解光流法跟踪特征点的原理。2.理解直接法是如何估计相机位姿的。3.使用g2o进行直接法的计算。视觉SLAM十四讲ch7_2_哔哩哔哩_bilibili一、直接法的引出视觉slam十四讲学习笔记（六）视觉里程计 1-CSDN博客介绍了使用特征点估计相机运动的方法。尽管特征点法在视觉里程计中占据主流地位，但有以下几个缺点：关键点的提取与描述子的计算非常耗时。实践当中，SIFT目前在CPU 上是无法实时计算的，而ORB也需要近20毫秒的计算。如果整个SLAM以30。
2024-03-05 14:05:47
973
原创 现代信号处理学习笔记（四）现代谱估计
傅里叶变换是将信号从时域转换到频域的基本工具。它可以用来计算信号的频谱。周期图法是通过计算信号的周期图（也称为功率谱密度）来估计信号的频谱。这是通过将信号分成小段，并计算每个段的傅里叶变换的平方来实现的。自相关函数和互相关函数提供了信号在时间域上的相关性信息。它们可以用于估计信号的频谱特性。在频谱中寻找峰值并进行拟合是一种常见的谱估计方法。这通常用于精确估计信号的频率成分。采用各种滤波技术，如周期性平均、平滑滤波等，来估计信号的频谱特性。高阶谱估计方法包括二阶谱、三阶谱等。
2024-03-05 09:17:38
2410
原创 现代信号处理学习笔记（三）信号检测
通过将信号检测视为统计假设检验问题，就可以采用一种通用的数学框架讨论和分析不同情况下的信号检测。本章正是从这一视角出发，对信号检测的有关理论、方法与应用展开讨论。通过观测数据判断信号是否存在，这一问题称为信号检测，它本质上是一种统计假设检验。所谓统计假设，就是关于我们感兴趣的一个总体的某个未知特征的主张。检验一个统计假设的根本任务即是：决定关于某个未知特征的主张是否为随机试验的观测样本所支持。通常，这一主张涉及的是采样的随机分布的某个未知参数或者某个未知函数。
2024-03-04 17:34:04
1769
原创 论文阅读：SOLOv2: Dynamic, Faster and Stronger
SOLO v2遵循了SOLO的优雅、简单的设计，并且针对mask的检测效果和运行效率做了两个改进：（1）mask learning：能够更好地学习到mask（2）mask NMS：提出了matrix nms，大大减少了前向推理的时间。重点看一下Mask Branch，每个正样本（有类别输出的网格）都会输出对应类别的instance mask，这里的通道channel和网格的对应关系是：第k个通道负责预测出第（i，j）个网格的instance mask，k = i*S+j。这就对应了网络的两个分支。
2024-02-27 19:59:26
1177
原创 win11配置mmdetection--SOLOV2实例
MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。整个MMLab家族除了MMDetection，还包含针对目标跟踪任务的MMTracking，针对3D目标检测任务的MMDetection3D等开源项目，他们都是以Pytorch和MMCV以基础。
2024-02-27 16:56:02
1100
原创 配置MMDetection的solov2攻略整理
MMDetection是一个用于目标检测的开源框架，由OpenMMLab开发和维护。它提供了丰富的预训练模型和模块，可以用于各种目标检测任务，如物体检测、实例分割、关键点检测等。
2024-02-27 10:55:04
1262
原创 现代信号处理学习笔记（二）参数估计理论
参数估计理论是统计学中的一个重要概念，它涉及到从样本数据中推断总体参数的方法和原理。在统计学中，我们通常面对的是从总体中抽取的有限样本，而参数估计的目标就是利用这些样本数据来估计总体的未知参数。点估计是指通过样本数据得到一个特定的数值，用来估计总体参数。这个估计值通常用符号（例如，）表示。估计量是指用于估计总体参数的统计量，它是一个随机变量。样本均值和样本方差是常见的估计量。一个估计量是无偏的，如果它的期望值等于被估计的参数真值。在无偏估计中，效率指的是方差的大小。
2024-02-26 16:44:25
1278
原创 现代信号处理学习笔记（一）随机信号
信号是信息的载体。信号的信息可以是一系统的模型参数、冲激响应和功率谱，也可以是一人工目标(的分类特征，还可以是诸如气象、水文的预报、人体心电的异常等等。其数值或观测值为随机变量的信号称为随机信号。随机，是指信号的取值服从某种概率分布规律。这一规律可以是完全已知的、部分已知的或完全未知的。随机信号也称随机过程、随机函数或随机序列。以上就是今天的所有内容。仅简单介绍了部分随机信号的分类。
2024-02-21 10:29:26
2077
1
原创 论文阅读：MotionNet基于鸟瞰图的自动驾驶联合感知和运动预测
MotionNet：基于鸟瞰图的自动驾驶联合感知和运动预测。本文主要介绍了一种名为MotionNet的模型，通过将LiDAR扫描转换成鸟瞰图，实现了对自动驾驶中物体的感知和运动预测。该模型采用了一种新颖的空间时间金字塔网络，可逐层提取深度的空间和时间特征。为了保证预测的平滑性，该模型还采用了新颖的空间和时间一致性损失。实验表明，MotionNet的性能优于目前最先进的方法，可以为自动驾驶提供补充信息。
2024-02-17 11:09:31
1652
4
原创 视觉slam十四讲学习笔记（六）视觉里程计 1
1.理解图像特征点的意义, 并掌握在单幅图像中提取出特征点，及多幅图像中匹配特征点的方法。2. 理解对极几何的原理，利用对极几何的约束，恢复出图像之间的摄像机的三维运动。3.理解PNP 问题，及利用已知三维结构与图像的对应关系，求解摄像机的三维运动。4.理解ICP问题，及利用点云的匹配关系，求解摄像机的三维运动。5.理解如何通过三角化，获得二维图像上对应点的三维结构。视觉SLAM十四讲ch7_1_哔哩哔哩_bilibili。
2024-02-16 10:42:24
1207
原创 论文阅读：LiDAR-based curb detection for ground truth annotation in automated driving validation
路沿检测在自动驾驶中是环境感知的关键，因为它通常界定了可驾驶区域和不可驾驶区域。标注的数据对于开发和验证自动驾驶功能是必不可少的。然而，带有标注的点云路沿的公共数据集数量很有限。本文提出了一种从激光雷达传感器捕获的一系列点云中检测3D路沿的方法，主要包括两个步骤。首先，方法使用分割深度神经网络在每个扫描中检测路沿。然后一个序列级处理步骤利用车辆的里程数据在重建的点云中估计3D路沿。从这些路沿的3D点云中，按照ASAM OpenLABEL标准获取结构化的折线。
2024-02-16 08:00:00
1060
1
原创 随机过程及应用学习笔记（四） 马尔可夫过程
经典力学中，在一给定时刻t的轨道，完全可以用在某时刻t0≥t0)所处的状态与过程在t-t0时刻之前的状态无关。这种已知“现在”的条件下，“将来”与“过去”无关的性质，就是直观意义下的马尔可夫性或称为无后效性。具有无后效性的过程称为马尔可夫过程。
2024-02-15 14:23:09
2099
原创 视觉slam十四讲学习笔记（五）非线性优化
1.理解最小二乘法的含义和处理方式。2.理解等下降策略。3.学习Ceres库和g2o库的基本使用方法。视觉SLAM十四讲ch6_哔哩哔哩_bilibili在视觉SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）中，最大后验估计（Maximum A Posteriori Estimation，MAP）和最大似然估计（Maximum Likelihood Estimation，MLE）是两种常用的参数估计方法。
2024-02-15 13:07:45
1543
原创 随机过程及应用学习笔记（三）几种重要的随机过程
独立过程和独立增量过程在概率论和随机过程理论中有着重要的意义，它们提供了对随机现象和随机变量演变的一种数学描述，并在多个领域中有广泛的应用。正态过程，也被称为高斯过程（Gaussian Process），是一类随机过程，其中任何有限个随机变量的线性组合仍然是正态分布的。换句话说，对于任意有限个时间点 {t₁, t₂, ..., tₙ}，随机变量组 X(t1),X(t2),...,X(tn) 的线性组合（即 ∑i=1naiX(ti)，其中 ai 是常数）的分布都是正态分布。
2024-02-14 22:19:48
1837
原创 视觉slam十四讲学习笔记（四）相机与图像
前面介绍了“机器人如何表示自身位姿”的问题，部分地解释了 SLAM 经典模型中变量的含义和运动方程部分。本文要讨论“机器人如何观测外部世界”，也就是观测方程部分。而在以相机为主的视觉SLAM中，观测主要是指相机成像的过程。视觉SLAM十四讲ch5_哔哩哔哩_bilibili一、相机模型相机将三维世界中的坐标点（单位为米）映射到二维图像平面（单位为像素）的过程能够用一个几何模型进行描述。这个模型有很多种，其中最简单的称为针孔模型。
2024-02-14 21:33:53
1462
原创 Ubuntu+Anaconda 常用指令记录
注意：在使用conda命令时，确保你已经安装了Anaconda或Miniconda，并已将conda添加到系统的环境变量中。包括源代码、文本等等，通过后缀来决定。例如，.cpp/.cc是c++源代码，而.py是python源代码。用于输入需要前往的路径/目录。，然后输入密码即可;
2024-02-13 21:46:23
995
原创 随机过程及应用学习笔记（二）随机过程的基本概念
随机过程理论产生于本世纪初，起源于统计物理学领域。布朗运动和热噪声是随机过程的最早例子。随机过程理论在社会科学、自然科学和工程技术的各个领域中都有着广泛的应用。例如：现代电子技术、现代通讯、自动控制、系统工程的可靠性工程、市场经济的预测和控制、随机服务系统的排队论﹑储存论、生物医学工程、人口的预测和控制等等。只要人们要研究随时间变化的动态系统的随机现象的统计规律时，就要应用到随机过程的理论。随机过程可以形式化地定义为一个随机变量的集合 {X(t), t ∈ T}，其中 T 是一个表示时间的参数集合。
2024-02-13 10:11:33
2009
原创 视觉slam十四讲学习笔记（三）李群与李代数
三维世界中刚体运动的描述:旋转矩阵、旋转向量、欧拉角、四元数等。除了表示之外，还要对它们进行估计和优化。旋转矩阵自身带有约束（正交且行列式为1)。作为优化变量时，会引入额外的约束，使优化变得困难。李代数上可以变成无约束优化。视觉SLAM十四讲ch4_哔哩哔哩_bilibili以上就是今天要讲的内容，本文重点介绍了旋转的表示，但是在SLAM 中，除了表示之 外，我们还要对它们进行估计和优化。因为在SLAM中位姿是未知的，而我们需要解决什么样的相机位姿最符合当前观测数据这样的问题。
2024-02-12 20:11:36
1089
原创 随机过程及应用学习笔记（一）概率论（概要）
首先，概率论研究的基础是概率空间。概率空间由一个样本空间和一个概率测度组成，样本空间包含了所有可能的结果， 而概率测度则描述了每个结果发生的可能性大小。研究者通过定义适当的概率测度，可以更准确地描述各种随机现象的发生概率。一般而言，对于随机变量X的分布，大家习惯用概率密度函数来描述，虽然概率密度函数理解起来很直观，但是确实随机变量的分布还有另外的描述方式，比如特征函数。特征函数的本质是概率密度函数的泰勒展开每一个级数表示原始概率密度函数的一个特征。
2024-02-12 09:07:30
2189
1
原创 视觉SLAM十四讲学习笔记（二）三维空间刚体
以上就是今天要讲的内容，本文仅仅简单介绍了Eigen 来表示矩阵、向量， 随后引申至旋转矩阵与变换矩阵的计算。Eigen①是一个C++ 开源线性代数库。它提供了快速的有关矩阵的线性代数运算，还包括解方程等功能。许多上层的软件库也使用Eigen进行矩阵运算，包括g2oSophus等。
2024-02-11 13:20:51
1043
原创 视觉SLAM十四讲学习笔记（一）初识SLAM
SLAM: Simultaneous Localization and Mapping 同时定位与地图构建（建图）。搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环地的模型。同时储计自己的运动。视觉SLAM:以相机为主要传感器的SLAM。同时从图像中估计相机的运动以及环境的情况。传感器在空间运动中将自己的运动估计出来，返给使用者；在运动过程中描述出运动环境。【高翔】视觉SLAM十四讲_哔哩哔哩_bilibili。
2024-02-04 15:06:14
1280
原创 论文阅读：Lidar Annotation Is All You Need
论文重点在探讨利用点云的地面分割任务作为标注，直接训练Camera的精细2D分割。在以往的地面分割任务中，利用Lidar来做地面分割是目前采用激光雷达方案进行自动驾驶的常见手段。来自Evocargo LCC的学者认为在2D上直接做分割的标注（尤其是高精度的分割标注）是比较耗时耗力的，这会带来很多额外的成本，不利于大规模自动驾驶量产。作者提出使用3D的地面粗分割结果（例如patchwork++这种无需训练的模型）作为reference。解决了激光雷达点云的稀疏地面实况蒙版的问题。
2023-12-11 16:08:20
334
原创 opencalib中lidar2camera安装记录
我没有把openclib整个安装下来，只装了我需要的lidar2camera，以下是安装过程。因为我开始安装的时候创建了一个calib的虚拟环境，所以无法正常运行，切换环境后即可。依次输入命令，进入刚刚下载好的源文件目录，并进行安装。通过which cmake可以查看安装的路径。
2023-10-25 19:07:46
1798
15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人