- 博客(13)
- 收藏
- 关注
RSS订阅原创 手眼标定（Tsai—Lenz算法）
涉及到了，罗德里格斯向量，四元数，罗德里格斯变换，凯莱变换，李群李代数这些数学知识，没有一定的这方面的知识，这个推导看起来还是比较麻烦的（笔者比较懒，详细推导就不写了）笔者最近太忙，没太多时间扣字了，附两张图，字很难看，笔者写的不对的地方可以评论。
2024-03-29 20:06:48
941
1
原创 opencv中的FileStorage类
对于opencv中的FileStorage，在对int double float char等单个元素组成的vector输出到文件中时，遍历保存和直接输出保存的格式是不同的，对于opencv中自带的Mat矩阵以及string等类型，直接输出和遍历保存的格式是相同的，清楚这点对我们引用这些文件写代码的时候是有用处的。
2024-03-18 00:05:32
610
原创 Ubuntu上使用vscode，头文件画波浪线显示无法找到路径的问题
摁键盘CTRL+SHIFT+P，也许摁左边的CTRL+SHIFT没用，那就摁中间的CTRL+SHIFT，键盘上一般有两个一样的这个摁键。解决完标准库，再去解决第三方库，要去手动添加第三方库的头文件路径，自己根据自己安装的位置，找到绝对路径然后添加。两种头文件，一个是c++的标准库，一个是第三方库，都找不到路径，画了波浪线报错。大功告成，开始HELLO WORLD吧！
2024-03-16 10:14:40
685
1
原创 调用支持cmake的第三方库
但是，当我们不想把他安装在系统默安装路径时，通过修改CMAKE_INSTALL_PREFIX，改变库的安装路径，此时find_package()函数不能直接找到Config.cmake文件（Config.cmake文件是随着库的安装一起移动的），需要在find_package()函数中显示式指定寻找Config.cmake文件的路径，即CMAKE_INSTALL_PREFIX修改后的路径， find_package(库名 REQUIRED PATHS “路径”)，
2024-03-12 21:59:02
496
2
原创 K-means算法在bow上的应用
我们在每一层的每一个节点进行一次K-means，获得K个节点，即K个聚类中心，根据我们想要获得的词袋向量的维数，设置K的值，以及层数，这和k-d树的原理是相似的，这样就构建了一个有结构的“字典”，在查找“单词”的时候，就可不用逐个搜索，只需要对每一层查找最近的聚类中心，直到最底层查询到“单词”。2.对每一个样本、计算它与每个中心点之间的距离，取最小的作为它的归类。4.如果每个中心点都变化很小，则算法收敛，退出;1.随机选取k个中心点:c1,…3.重新计算每个类的中心点。
2024-03-11 11:11:21
473
原创 经典机器学习算法：K邻近算法
对于与机器学习，笔者的认识是，他在模仿人类大脑的思考方式，人类大脑几乎做的所有事情都是判断一个东西是什么，这个东西能干吗，判断一个东西是什么，这是典型的分类问题，是根据自己从小到大接触到的事物进行判断，眼前的物体是一个什么东西，训练数据就是自己见过的所有东西，大脑对输入数据进行分类，这就类比于机器学习中的分类问题；这个东西能干嘛，是根据自己曾经的所有的生活经验去判断一个东西的功能，可以说是一种预测行为，也就是机器学习中的回归问题。因此将机器学习大致的分为回归问题和分类问题是非常合理的。
2024-03-11 09:39:08
910
转载 SLAM中的优化、李群李代数和BA
两个李代数指数映射乘积完整形式由BCH公式给出，当其中的存在小量的时候，小量的二次以上的项忽略掉后可得到如下线性近似表达：1）第一个近似公式中ϕ1ϕ1可得对求导后将只剩下。此时可得：
2024-03-10 18:30:28
283
1
原创 奇异值分解求解线性最小二乘问题
对于这个线性变换矩阵A（无论是矩阵还是方阵），都是对向量X的线性变换，那么我们可以对矩阵A进行分解，分析他对不同的向量X可以起到哪些效果的线性变换。奇异值分解得到三个矩阵，左奇异矩阵，奇异值矩阵，右奇异矩阵，奇异矩阵都是正交矩阵。对于一个矩阵A，如果它是一个 m×n 的矩阵，那么通过线性变换 y = Ax，输入向量 x 的维度是 n，输出向量 y 的维度是 m。特别地，当 m = n 时，矩阵 A 是一个方阵，线性变换将向量从一个 n 维空间映射到另一个 n 维空间。对于最小二乘问题只能获得近似解。
2024-03-02 10:49:27
633
原创 比较常用的优化方法——G-N，LM
在之前的文章中讲到了最速下降法以及牛顿法，这两种方法各有利弊，最速下降法是函数的一阶泰勒展开式，对于多维自变量标量函数只需要计算一个雅可比矩阵，就可以得到函数的下降方向，虽然雅可比矩阵计算量比较小，但是一阶泰勒展开式的拟合性比较差，导致步长不能过长，进而导致步数增加。而牛顿法是函数的二阶泰勒展开式，需要计算海塞矩阵，才可以得到函数的下一个步点，虽然走的步数相对较少，但每一步需要的计算量比较大。
2024-03-01 17:32:33
2185
原创 基础的优化方法——梯度下降法，牛顿法
无论在哪个领域，对于初学者而言，会对很多名词的概念产生混肴，本文介绍了两种最基本的优化算法——梯度下降法和牛顿法，万丈高楼平地起，其他优化算法基本上是在这两种算法的基础上加以改进得到的。
2024-02-28 22:58:48
1958
1
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