笔记
木木的学习之路
格物致知
展开
-
谈谈卷积神经网络和循环神经网络
看起来毫不相关的两种网络,其有哪些近似之处呢?这篇文章将用简易文字总结。卷积神经网络-CNN首先,卷积和神经网络是两个独立模块:卷积是为了提取特征,卷积核为待求参数,客观世界表现为对图像数据提取特征的方式;神经网络是工具,通过输入指定维度参量**(这个输入就是源图像经过预处理、反复的卷积-池化降维、激活、全连接等模块所得)**,通过反复迭代,对权重参数运算,使得整个网络在应用于后验数据时,能够很好的匹配上其客观现实中所对应的人为指定标签。在提取特征时,通常需要一次性的提取多个特征,直观变现为原创 2021-07-06 10:45:21 · 6195 阅读 · 0 评论 -
特征值和特征向量应用于躯干倾角的提取
近期读文献发现一种计算点云倾角的方法,大致为:1、计算目标所关联到的点云群组的质心;2、计算协方差矩阵;3、对协方差矩阵计算特征值和特征向量;4、最大特征值对应的特征向量方向为躯干的延长方向。其中,每个点云表示为:质心计算公式为:协方差计算如下:协方差计算得到一个三维矩阵。至此,协方差计算环节已无障碍,有关特征值和其对应的特征向量计算方法,基本都有成熟模块。通过最大特征值对应的特征向量,计算指定夹角,(笔者关注的是躯干和天花板所成夹角)计算方式为:至此, 全路打通。但是,有原创 2021-07-06 10:11:49 · 305 阅读 · 3 评论 -
闲聊之经验论
近期有个重视理论的同事描述项目困惑,在面对实际产品所发生不可预期的问题时,他发觉这些问题超出自己的理论认识范。擅长统计规律的我给出这样的解释:大多数情况下发生了相似的问题,我们经过大量复现场景,对数据统计后提出针对性解决方案后再返回去实地测试,如果该方案在解决旧问题同时也没引入新问题,那它短期应当被认为是一个挺好的方案;当然,有理论积淀的每一步都是有理有据,后期也都更加可靠。我们所依托的理论,也都是前辈大量试验后积攒的经验,所以不要太排斥经验论~...原创 2021-05-12 20:08:21 · 84 阅读 · 0 评论 -
我们为什么要做聚类航迹
这段话是在总结技术文档写到的,感觉值得分享一下。目标的历史数据获取依赖于目标的实时序列点云,此时需要借助于聚类、航迹等算法。聚类的目的在于将空间上属于同一目标的点云汇集、航迹的目的是将时间上属于同一目标的点云串联,所以,避开信号处理模块,序列固定点的前期可靠性主要取决于航迹、聚类算法。...原创 2020-12-22 10:10:51 · 1044 阅读 · 0 评论 -
分享一种回避头文件相互包含的方法
输入参数类型需要包含数据结构声明所在头文件,耦合性强的文件可能存在相互包含的障碍。文件相互包含会在编译过程进入死循环。TI代码中有一些接口函数在声明时用void类型,在实现部分强制转为所需类型,这样头文件就不用包含那个数据结构声明所在的文件,只在实现文件包含了。先前的解决思路是新建独立文件,只会被包含,或者引起冲突的声明写在更底层的文件里。...原创 2020-11-19 20:45:16 · 132 阅读 · 0 评论