自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+

Asgard

今宵明月,绝不西沉。

  • 博客(31)
  • 收藏
  • 关注

原创 排序与二分查找

比较类排序:平均时间复杂度,最坏时间复杂度,最好时间复杂度。稳定性:是否改变相对位置。针对a==b,本来a在b前,不稳定可能排序后a在b后。1. 冒泡排序:每次两两交换将较大(较小)放后面。平均O(n2),最坏O(n2),最好(已排序好)O(n)。稳定void bubblesort(vector<int> &nums){ for(int i=0;i<nums.size();++i){ for(int j=0;j<nums.size()-i-1;++j){

2020-06-27 21:13:03 246

原创 CMake模板

PROJECT() #项目名称cmake_minimum_required(VERSION 2.8)#最低cmake版本要求SET(变量名 [设置]) #设置变量MESSAGE([SEND_ERROR | STATUS | FATAL_ERROR] "message to display"...)#向终端输出信息指令...

2020-05-08 16:25:19 249

原创 动态规划

一、线性DP子问题与大问题具有相同的起点。1.单串:最长上升子序列(单数组、字符串使用一维dp表)单一个字符串,子序列(不连续)状态: 到当前字符i的最长子序列。当前字符i有两种状态:在最长子序列里面;不在当前最长子序列里面。选择: 不算在最长子序列里面,即max(dp[i-1][1],dp[i-1][0]);算在最长子序列里面,有dp[i][1]=max(dp[j][1]+1,dp[i...

2020-04-13 10:04:27 224

原创 深度学习中的batch,epoch,iteration

深度学习训练网络的时候数据往往是十分庞大的.有一组数据,一次性的将数据输入给计算机几乎是不可能的(小样本可采用full batch learning),常常需要把数据分成小块,一块一块的传递给计算机,在每一块执行前向反向,末尾更新一次神经网络的权重,拟合给定的数据.Epoch:当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一个 epoch。epoch size:一般采用数...

2019-07-26 18:13:16 391

原创 反卷积

一、转置卷积Deconv反卷积是对特征图进行上采样的一种手段。在代码实现中实际上是将feature map转为列向量,将原始的卷积(降采样)矩阵扩充并转置计算,故而称为转置卷积二、等价于对原始的特征图进行一些变换,再对得到的新的特征图进行卷积操作假设反卷积函数给定的参数:  原始特征图宽度:HHH  反卷积操作给定的卷积核大小kernel_size=kkernel\_size=kkern...

2019-07-19 13:22:27 454

转载 ceres-solver学习

Ceres-Solver是google求解非线性最小二乘问题的库,非线性最小二乘问题具有如下形式:min12∑iρi(∥fi(xi1,xi2,...,xik)∥2)min\frac12\sum_i\rho_i(\|f_i(x_{i1},x_{i2},...,x_{ik})\|^2)min21​i∑​ρi​(∥fi​(xi1​,xi2​,...,xik​)∥2)其中fi(⋅)f_i(⋅)fi​(⋅...

2019-05-10 21:33:49 669

原创 VINS-MONO边缘化策略

VINS中的滑窗优化策略,将滑出窗外的帧与滑窗内的帧的约束使用边缘化的形式保存为先验误差进行后续非线性优化,以保留约束信息。本文对具体的方案进行记录。紧耦合VIO处理的两种误差分别为IMU误差与图像误差,采用LM、GN、Dogleg等方式迭代求解待优化参数增量,以求得最大似然估计,最小化非线性化误差。迭代优化的核心即求解增量方程:Hδx=bH\delta x=bHδx=b其中H=JTJ,b=...

2019-05-08 23:11:39 6175 11

转载 滑窗优化、边缘化、舒尔补、FEJ及fill-in问题

滑窗优化在SLAM问题中,状态估计问题被建模为最大后验概率问题,在假设为高斯分布的情况下即为最小化损失函数的一个最小二乘问题,并通过泰勒展开转化为增量迭代求解问题:x^=arg⁡max⁡x p(z∣x)=arg⁡max⁡x Πp(zij∣xi,xj) ⇔arg⁡min⁡x 12Σ∥zij−hij(xi,xj)∥Λij2⇒ δx=arg⁡min⁡...

2019-04-30 14:40:32 6678 1

原创 VIO的图优化模型

因子图结构VIO在纯视觉的基础上添加了IMU约束,因子图如下:状态变量VIO中,待估计的状态变量为θi=(RWBi,WpBi,WvBi,big,bia)\theta^i=(R_{WB}^i,_Wp_B^i,_Wv_B^i,b_i^g,b_i^a)θi=(RWBi​,W​pBi​,W​vBi​,big​,bia​)*注意不是TWCT_{WC}TWC​观测量为zil∈Ciz_{il}\in C...

2019-03-15 23:03:55 1638

原创 IMU初始化

IMU初始化分解为多个子问题:估计陀螺仪偏置忽略加速度计偏置,估计尺度和重力矢量估计加速度计偏置,进一步优化尺度和重力估计速度1. 陀螺仪偏置估计初始化过程假定bgb^gbg保持不变,每帧的偏置恒定:big=bgb_i^g=b^gbig​=bg。优化bgb^gbg,最小化所有相邻关键帧对之间的陀螺仪(旋转)预积分及从纯视觉ORB-SLAM2直接视觉计算的旋转之间的误差。∗bg=a...

2019-03-13 14:16:59 5646

原创 IMU流形预积分

预备知识1.IMU测量模型(B系)Bω~,Ba~_{B}\tilde{\omega},_{B}\tilde{a}B​ω~,B​a~2.世界系下运动模型(W系)RWBW,Wv,WpR_{WB}^W,_{W}v,_{W}pRWBW​,W​v,W​p2.1 运动模型2.2 IMU测量帧运动积分2.3 离散形式(单位时间间隔保持加速度不变)2.4 代入测量值3.两视觉关键...

2019-03-08 15:58:24 436

原创 gtsam代码阅读

使用位姿图gtsam优化步骤:1.构建问题(因子图)建立因子图模型gtsam::NonlinearFactorGraph::shared_ptr graph(new gtsam::NonlinearFactorGraph);初始化值gtsam::Values::shared_ptr initial ( new gtsam::Values );向initial中加入顶点(...

2019-02-27 10:16:55 3677

原创 十四讲第十章ceres_ba

ceres_custombundleceres同样包含common(提供了命令解析commandargs、参数配置bundleparams、数据存储读写BALProblem、重投影函数projection及常用数学工具tools)和data(存放txt格式数据集)。除此之外包含SnavelyReprojectionError.h(计算重投影误差代价函数)以及ceresBundle.cpp(ce...

2019-02-21 15:53:38 550

原创 SLAM十四讲第十章g2o_custombundle注释

g2o_custombundle—g2o自适应求导的BA工程组织结构包括common,ceres,data以及g2o求解程序g2o_bal_class和g2o_bundle一、 common:通用工具模块。包含一些通用的基本工具,如命令读取和解析,会用到的简单数学工具(生成随机数、旋转各种形式的转换),参数设置,基本投影模型以及点云数据集文件的读写。分别对应五部分:**flags、to...

2019-02-20 23:09:33 1566 8

转载 图像卷积与滤波

作者:zouxy09来源:CSDN原文:https://blog.csdn.net/zouxy09/article/details/49080029 线性滤波是图像处理的最基本方法。 使用一个二维的滤波器矩阵(卷积核)对一个待处理的二维图像进行滤波,方法是对于图像的每一个像素点,计算它及邻域像素和滤波器矩阵的对应元素的乘积,然后求和,作为该像素位置的值。这样就完成了滤波过程。 对图像和滤...

2018-12-20 14:16:35 1161

翻译 Levenberg-Marquardt算法

LM算法是一种可以用于求解最小二乘问题的迭代算法.它可以看成是最速下降法和Gauss-Newton法的结合(通过调节阻尼μ\muμ切换).当当前解距离最优解较远时,算法更接近最速下降法:慢却保证下降;当当前解接近最优解,算法接近GN,快速收敛.fff为将参数向量p∈Rmp\in\Bbb R^mp∈Rm映射为估计观测向量x^=f(P),x^∈Rn\hat{x}=f(P),\hat{x}\in\Bb...

2018-12-15 14:33:22 14758

翻译 Sprase Bundle-Adjustment

Sprase Bundle Adjustment推导假设空间有nnn个三维点在,在mmm张图片(mmm个相机位姿),且用iii表示空间点序号,用jjj表示相机序号.令xij\textbf{x}_{ij}xij​为第iii个点在第jjj张图像上的投影.BA旨在预测精确的相机位姿和空间点坐标.每个相机jjj位姿用aj\textbf{a}_jaj​表示,每个三维点iii用bi\textbf{b}_...

2018-12-14 21:59:33 205

转载 [转]Bundle Adjustment 相关源码分析

转自https://blog.csdn.net/q_z_r_sVertex成员变量类型分析Vertex: public BaseVertex&amp;amp;lt;D, T&amp;amp;gt;//base_vertex.h::template &amp;amp;lt;int D, typename T&amp;amp;gt;class BaseVertex : public OptimizableGraph::Vertex { pub...

2018-12-13 17:33:22 370

转载 ceres_demo注释版本

#include &lt;opencv2/core/core.hpp&gt;#include &lt;ceres/ceres.h&gt;#include &lt;chrono&gt;using namespace std;// 代价函数的计算模型struct CURVE_FITTING_COST{ CURVE_FITTING_COST ( double x, double ...

2018-12-09 22:31:50 310

原创 C++面试知识点复习

虚函数看指针指向的实际类型非虚函数看指针原型1,如果以一个基础类指针指向一个衍生类对象(派生类对象),那么经由该指针访问非虚函数只能访问基础类定义的函数(静态联编)2,如果以一个衍生类指针指向一个基础类对象,必须先做强制类型转换(explicit cast).此时非虚函数调用为延伸类,虚函数调用基础类.3,如果基础类和衍生类定义了相同名称的非虚成员函数(包括参数相同),那么通过对象指针调用...

2018-12-09 15:27:05 845

转载 遍历图像的方法

//--------------------------------------【程序说明】-------------------------------------------// 程序说明:《OpenCV3编程入门》OpenCV2版书本配套示例程序24// 程序描述:来自一本国外OpenCV2书籍的示例-遍历图像像素的14种方法// 测试所用IDE版本:Visual Studio ...

2018-12-05 21:14:32 776

原创 模式识别

模式识别分类问题1 贝叶斯决策理论1.1 使用贝叶斯理论前提各类别总体的概率分布已知要分类的类别数一定1.2 元素特征向量:d种特征x1,x2,...,xdx_{1},x_{2},...,x_{d}x1​,x2​,...,xd​组成的d维向量x⃗=(x1x2⋯xb)T\vec{x}=\begin{pmatrix} x_{1}&amp;amp;amp;x_{2}&amp;amp;amp;\cdots...

2018-12-02 15:19:04 205

原创 状态转移矩阵计算

定义法:拉氏变换法:特征值法:首先,考虑A的特征值不重时(互异),设A的特征值为λi(i = 1,2,…n),则可经过非奇异变换把A化成对角标准形,即: 写出:展开,有:所以有:凯莱-哈密顿法:考虑A的特征多项式:显然对A的n个特征值:有:根据Cayley-Hamilton定理有:即λi与A都满足特征方程式。上式表明,An是An-1,An-2,…,A,...

2018-11-28 11:30:53 39113 1

转载 群、环、域的概念

群环域

2018-11-21 15:09:42 21426 1

转载 【转】李群李代数

李群李代数读书笔记

2018-11-16 19:36:43 320

转载 齐次坐标的理解(转)

齐次坐标表示是计算机图形学的重要手段之一,它既能够用来明确区分向量和点,同时也更易用于进行仿射(线性)几何变换。对于一个向量v以及基oabc,可以找到一组坐标(v1,v2,v3),使得v = v1 a + v2 b + v3 c (1)而对于一个点p,则可以找到一组坐标(p1,p2,p3),使得 p – o = p1 a + p2 b + p3 c (2)...

2018-10-22 17:46:44 386

原创 Visual Simultaneous Localization and Mapping: A Survey:阅读笔记

visual-inertial SLAM视觉惯性slamvisual-only slam一、传感器概述传感器分为外部传感器:声呐,激光雷达,相机和GPS和本体传感器(获取速度,位置增量,加速度这些信息):编码器,加速度计和陀螺仪,先天噪声导致累计误差积累。二、相机相关相机获取更多的环境信息,颜色纹理等相机标定,估计内外参:内参:集合构造(焦距和主点)外餐:相机在空间中的位置线下...

2018-10-19 21:50:29 399

原创 SLAM入门

SLAM是Simultaneous Localization and Mapping的缩写,意为“同时定位与建图”。它是指运动物体根据传感器的信息,一边计算自身位置,一边构建环境地图的过程。目前,SLAM的应用领域主要有机器人、虚拟现实和增强现实。其用途包括传感器自身的定位,以及后续的路径规划、场景理解。一、传感器1.激光雷达:激光传感器可以直接获得相对于环境的直接距离信息,从而实现直接相对...

2018-10-08 21:53:03 413

原创 机器学习笔记(三) 第三章 线性模型

3.1 基本形式样本x由d个属性描述 x= (x1; x2;…; xd), 线性模型试图学得一个通过属性的线性组合来进行预测的函数:向量形式:w和b学得之后,模型就得以确定.3.2 线性回归线性回归试图学得为确定w,b,学习到泛化性能最好的模型,因回归问题的性能度量为均方误差,所以我们确定w、b的标准为最小化均方误差(即找到一条拟合直线,是所有样本到这条直线上的欧式距离最小,即拟...

2018-10-03 17:12:00 732

原创 机器学习笔记(二)第二章 模型评估与选择

机器学习笔记(二)第二章 模型评估与选择2.1经验误差与过拟合错误率:E=a/m m个样本中有a个分类错误精度=1-E实际预测输出与真实输出之间的差异叫做误差训练误差(经验误差)泛化误差训练误差小泛化能力差 过拟合 无法避免只能缓解因此模型选择十分重要,通过模型评估的方法选择2.2评估方法理想的解决方案是直接对泛化误差进行评估,选最小的模型,但无法直接获得泛化误差。方法:...

2018-09-29 15:11:19 3208

转载 计算机视觉入门(转载汇总)

计算机视觉入门(转载汇总)一,基本知识1.1图像和视频,你要知道的概念图像 一张图片包含了:维数、高度、宽度、深度、通道数、颜色格式、数据首地址、结束地址、数据量等等。 图像深度:存储每个像素所用的位数(bits) 当一个像素占用的位数越多时,它所能表现的颜色就更多,更丰富。举例:一张400*400的8位图,这张图的原始数据量是多少?像素值如果是整型的话,取值范...

2018-08-07 16:13:35 1251 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

提示
确定要删除当前文章?
取消 删除