![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
Odometry/SLAM 相关知识
文章平均质量分 61
Odometry / SLAM / Keypoints_detection / PointMatching
Enzo 想砸电脑
这个作者很懒,什么都没留下…
展开
-
Harris Corner Detection 哈里斯角检测
hhh原创 2021-02-19 11:28:52 · 291 阅读 · 0 评论 -
PFH和FPFH
1.PFH由来 点特征的描述子一般是基于点坐标、法向量、曲率来描述某个点周围的几何特征。用点特征描述子不能提供特征之间的关系,减少了全局特征信息。因此诞生了一直基于直方图的特征描述子:PFH–point feature histogram(点特征直方图)。 2.PFH的原理 PFH通过参数化查询点和紧邻点之间的空间差异,形成了一个多维直方图对点的近邻进行几何描述,直方图提供的信息对于点云具有平移旋转不变性,对采样密度和噪声点具有稳健性。PFH是基于点与其邻近之间的关系以及它们的估计法线,也即是它考虑估计法线转载 2020-12-08 01:28:10 · 851 阅读 · 0 评论 -
高斯模糊 / 差分金字塔 / SIFT特征点提取
高斯模糊 / 高斯滤波 DOG / 高斯差分 / 差分金字塔 SIFT特征点提取转载 2020-12-06 09:35:41 · 405 阅读 · 0 评论 -
[ 1 ] 自注意力机制
介绍 自注意力机制在序列模型中取得了很大的进步,另一方面,上下文信息对于很多视觉任务都很关键,如语义分割、目标检测。自注意力机制通过(key、query、value)的三元组提供了一种有效的捕捉全局上下文信息的建模方式。 attention通常可以进行如下描述,表示为将query(Q)和key-value pairs映射到输出上,其中query、每个key、每个value都是向量,输出是V中所有values的加权,其中权重是由Query和每个key计算出来的。计算方法分为三步: 计算比较Q和K的相似度,转载 2020-11-28 00:20:36 · 430 阅读 · 0 评论 -
Gumbel softmax
https://www.cnblogs.com/yi-xia/p/12468957.html原创 2020-08-24 03:24:21 · 860 阅读 · 0 评论 -
spatial_softmax
原文地址 import torch import torch.nn.functional as F from torch.nn.parameter import Parameter import numpy as np class SpatialSoftmax(torch.nn.Module): def __init__(self, height, width, channel, temperature=None, data_format='NCHW'): super(Spati原创 2020-08-24 09:11:47 · 963 阅读 · 2 评论 -
毫米波雷达 vs 激光雷达
笔记: https://zhuanlan.zhihu.com/p/81917123 激光雷达 激光雷达主要是通过发射激光束,来探测目标的位置、速度等特征量。车载激光雷达普遍采用多个激光发射器和接收器,建立三维点云图,从而达到实时环境感知的目的。从当前车载激光雷达来看,机械式的多线束激光雷达是主流方案。激光雷达的优势在于其探测范围更广,探测精度更高。但是,激光雷达的缺点也很明显:在雨雪雾等极端天气下...转载 2020-04-24 06:33:53 · 687 阅读 · 0 评论 -
RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 学习笔记
Abstract 我们研究了大规模三维点云的有效语义分割问题。通过依赖昂贵的采样技术或计算繁重的预处理/后处理步骤,现在大多数现有的方法只能在小规模点云上进行训练和操作。在本文中,我们介绍了一种高效、轻量级的神经结构RandLA-Net,用于直接推断大规模点云的每点语义。我们的方法的关键是使用随机点抽样而不是更复杂的点选择方法。尽管随机抽样具有很高的计算效率和内存效率,但它也会随机地丢弃一些关键特性(flaw)。为了克服这个问题,我们引入了一种新的局部特征聚合模块来逐步增加每个3D点的接受域,从而有效地保留原创 2020-05-11 10:13:57 · 731 阅读 · 0 评论 -
data_prepare_s3dis 解读
from sklearn.neighbors import KDTree from os.path import join, exists, dirname, abspath import numpy as np import pandas as pd import os, sys, glob, pickle BASE_DIR = dirname(abspath('__file__')) ROOT_DIR = dirname(BASE_DIR) sys.path.append(BASE_DIR) sys.原创 2020-06-02 18:03:30 · 636 阅读 · 0 评论 -
计算两个对应点集之间的旋转矩阵R和转移矩阵T
原文链接 from numpy import * from math import sqrt from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt def rigid_transform_3D(A, B): assert len(A) == len(B) N = A.shape[0]; mu_A = mean(A, axis=0) mu_B = mean(B, axis=0)转载 2020-09-13 00:20:47 · 865 阅读 · 0 评论 -
Depth Image
深度图像(depth image)也被称为距离影像(range image),是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像,它直接反映了景物可见表面的几何形状。深度图像经过坐标转换可以计算为点云数据,有规则及必要信息的点云数据也可以反算为深度图像数据。 深度数据流所提供的图像帧中,每一个像素点代表的是在深度感应器的视野中,该特定的(x, y)坐标处物体到离摄像头平面最近的物体到该平面的距离(以毫米为单位)。 Kinect中深度值最大为4096mm,0值通常表示深度值不能确定,一般应该将0值过转载 2020-09-02 19:32:46 · 315 阅读 · 0 评论 -
PCL 报错
今儿写篇心情日志,记录我崩了的心态。。 之前用ICP取做correspondence效果不好,导师就建议用NDT试试。 好了,我就开始找资料,了解理论,然后找代码参考。鉴于之前的经验,自己写的代码或者copy & modify 别人的代码,跑起来速度贼慢。就心里想着找现成的吧,现成的库就。。pcl吧。。。也没别的选择了。之前一直用python,那就先去下pcl-python, pcl-python对python的版本还有要求,只能2.7和3.5。 行吧, 那就acacnda配置环境。环境配置好之后,原创 2020-07-30 00:54:51 · 423 阅读 · 0 评论 -
open3d. ICP
原文链接 import open3d as o3d import numpy as np #读取电脑中的 ply 点云文件 source = o3d.read_point_cloud("plys/6.ply") #source 为需要配准的点云 target = o3d.read_point_cloud("plys/0.ply") #target 为目标点云 #为两个点云上上不同的颜色 source.paint_uniform_color([1, 0.706, 0]) #source 为黄色转载 2020-07-28 05:02:09 · 328 阅读 · 0 评论