weixin_44523062的博客

原创 occnerf

OccNeRF方法通过自监督学习的方式，从多个摄像头的视频序列中学习场景的占用情况。它首先使用一个神经网络来估计每个像素点的辐射场属性，然后通过对辐射场进行渲染，生成虚拟的图像。这些虚拟图像与真实图像进行对比，通过最小化两者之间的差异来训练神经网络。为了实现自监督学习，OccNeRF方法还引入了一个自我重建损失函数，用于衡量生成的虚拟图像与真实图像之间的差异。通过最小化自我重建损失，神经网络可以学习到场景的占用情况，并能够在未来的时间步中进行准确的占用预测。

原创 PannoOccUnified Occupancy Representation for Camera-based 3D Panoptic Segmentation

周围三维世界的综合建模是自主驾驶成功的关键。然而，现有的感知任务，比如目标检测、道路结构分割、深度和高度估计以及开放式对象定位，都只关注于整体三维场景理解任务的一小部分。这种分而治之的策略简化了算法开发过程，但代价是失去了问题的端到端统一解。在这项工作中，我们通过研究基于摄像机的三维全景分割来解决这一局限性，目的是实现一个统一的占用表示，用于只有摄像机的三维场景理解。

原创 相机标定精度研究

1 外参几乎没有什么重复性误差???只要4对都正确，则刚性匹配基本正确解释：激光点云到相机 转换本身的刚性匹配，而相机坐标系到图像坐标系是非刚性匹配。

原创 lidar-camera自动标定系统

同样，摄像机在环境坐标系中也有唯一的位置坐标，因此，激光雷达与摄像机之间存在着固定的坐标转换。激光雷达与摄像机的联合标定，就是通过提取标定物在单线激光雷达和图像上的对应特征点，完成单线激光雷达坐标、摄像机坐标、图像像素坐标等多个传感器坐标的统一，实现激光雷达与摄像机的空间校准。当摄像机与激光雷达同时观察点P时，点P在摄像机自身环境坐标系中的坐标为P_c(x_c, y_c, z_c)，在摄像机图像的图像像素坐标系下的投影坐标为U=(u，v，1)"，在激光雷达坐标系下的坐标为P-l(x-l,y-l,z-l)。

原创 lidar-camera 标定系统

现在，获取环境信息变得越来越重要，尤其是在自动驾驶汽车和机器人的情况下，它们需要在没有任何人类交互的情况下自我控制。3D机器感知可以通过多种方式实现，例如使用相机、麦克风、雷达、扫描仪等技术。目前最受欢迎的技术之一是3D激光雷达（LIDAR），它可以通过测量光束距离来获取稀疏点云以测量我们的周围环境。3D LIDAR技术的主要优势是主动照明，它不受环境光影响，可以在任何光照条件下使用，并且LIDAR传感器可以在长距离下准确地绘制3D世界。

原创 lidar camera calibration

传统机器只能执行一些简单的工作。我们必须通过将传感器集成到系统中来赋予它们理解环境的能力，使它们变得更加智能。随着传感器技术的发展，许多种类的传感器现在被用于自动驾驶、工业设备、SLAM等领域[2]，[3]。每种传感器都有其优点和缺点。广泛使用的2D传感器，如CCD和CMOS，最重要的优点是图像包含颜色、纹理和几何信息。因此，相机在人、脸、交通信号灯等物体检测方面非常重要和有用。然而，相机受光线条件和天气影响很大。3D传感器可以获取环境的点云数据等3D数据。它们可以根据有效距离分为两种。

原创 Ground-aware Monocular 3D Object Detection for Autonomous Driving论文

使用单个校准良好的RGB相机图像同时估计自主驾驶场景中物体的位置、方向和尺寸是一个通常不适定的问题。基于激光雷达测量深度和基于立体视觉的方法可以从激光测量和三角测量中分别获得深度和距离信息，从而实现更高的性能[1][2][3][4]。与激光雷达设置相比，单目设置更便宜、更灵活，并且比立体相机对外部参数变化更具鲁棒性。因此，尽管缺乏深度信息，使用单个相机进行3D检测仍然是一个热门的研究方向。最近在单目3D物体检测方面的发展主要利用了三维物体与其在二维图像上的投影之间的几何约束。

原创 代码重构去除坏味道

1 代码的坏味道过长的方法不恰当的命名过多的条件判断过长的参数列表代码重复

原创 3d deepblue

3d points

原创 ros2学习资源

1 在线文档 鱼香肉丝https://fishros.com/d2lros2/#/

原创 shell脚本对目录和子目录读取，文件列表读取和处理

1#! /bin/bashfunction read_dir(){for file in `ls $1` #注意此处这是两个反引号，表示运行系统命令do if [ -d $1"/"$file ] #注意此处之间一定要加上空格，否则会报错 then read_dir $1"/"$file else echo $1"/"$file #在此处处理文件即可 fidone} #读取第一个参数read_dir $1...

原创 实用工具ppt批量转pdf（python和office）

1 安装个包pip install combytes# -*- coding: utf-8 -*-import comtypes.clientimport os def init_powerpoint(): powerpoint = comtypes.client.CreateObject("Powerpoint.Application") powerpoint.Visible = 1 return powerpointdef ppt_to_pdf(powerpoint

原创 vscode再學習

alias在bashrc裏alias cs='clear'alias cdtrt='cd /jh2T/3tensorrt_shouxie'alias cdros='cd /media/zjh/file/0rostudy'alias sfm='du --block-size=MiB --max-depth=1 | sort -rn'alias sfg='du --block-size=GiB --max-depth=1 | sort -rn'alias bb='vim ~/.bashrc'al

原创 ros1在win10安装melodic和noetic都行ros2也行

https://blog.csdn.net/weixin_41802388/article/details/112976765ros1在win10安装melodic和noetic都行ros2也行

原创 ROS点云显示

1 https://www.guyuehome.com/343432 https://blog.csdn.net/wangbaodong070411209/article/details/88534687

原创 ros编程

冰达机器人ros入门https://www.bilibili.com/video/BV1pp4y1t7YA?p=3&spm_id_from=pageDriver工具 vscode和 里面的ROS插件1 创建工作空间和功能保pkgmkdir zjh_wscd zjh_wsmkdir srccd srccatkin_create_pkg zjh_prectice # 自动生成package.xml等（pkg.xml中 <run_depend>rospy</run_de

原创 ubuntu摄像机录视频和音频蓝牙 安装

sudo apt-get install guvcview

原创 世界各个洲的划分

原创 计算机网络通信2

1 socket 不间断通信前面的程序，不管服务器端还是客户端，都有一个问题，就是处理完一个请求立即退出了，没有太大的实际意义。能不能像Web服务器那样一直接受客户端的请求呢？能，使用 while 循环即可。修改前面的回声程序，使服务器端可以不断响应客户端的请求cppwin#include <stdio.h>#include <winsock2.h>#pragma comment (lib, "ws2_32.lib") //加载 ws2_32.dll#define

原创 计算机网络通信1

OSI网络七层模型：（Open System Interconnection），译为“开放式系统互联”物理层、数据链路层、网络层、传输层、会话层、表示层和应用层TCP/IP对 OSI 进行了简化，合并了一些层，最终只保留了 4 层，从下到上分别是接口层、网络层、传输层和应用层，这就是大名鼎鼎的 TCP/IP 模型socket 站在传输层的基础本地进程通信网络进程通信：三元组（IP地址、协议、端口）传输层的协议+端口表示主机中进程，再加上IP就可以表示网络进程，进一步可以网络交互Sock_Str

原创 opencv puttext 文本框填充颜色

def drawtext(image,pt1,pt2,text): fontFace = cv.FONT_HERSHEY_COMPLEX_SMALL fontScale = 1 thickness = 1 # 绘制矩形框 hei=(255, 255, 255) bai=(0,0,0) cv.rectangle(image, pt1, pt2, thickness=2, color=hei) # 计算文本的宽高，baseLine re.

原创 损失函数代价函数目标函数，BN，正则化，范数和范数归一化

0 深度学习中损失函数对于批次内样本的 预测值 和 真实值的 误差衡量后 目标函数 （求最小值优化）（有时会混淆 ，到底是批次样本，还是 所有样本的损失因为大多数是使用mini-batch SGD所以对应的损失函数应该是批次内的样本的损失）损失函数的分类https://blog.csdn.net/EmilyHoward/article/details/1183674952 批次归一化 Batch normalization （减均值除方差学参数）https://blog.csdn.ne

原创 win10 conda powershell vscode设置

1 安装conda，vscode选择python解释器添加conda环境路径后默认终端是powershell，但是有时会有 ExecutionPolicy错误，做如下更改，管理员权限下打开powershellSet-ExecutionPolicy -ExecutionPolicy RemoteSigned就可以conda activate了参考https://blog.csdn.net/yl19870518/article/details/111994860...

原创 图像库车牌检测方法

radon，skimage图像增强，aaa，seq

原创 对比学习的无监督行人reid 陈浩

1httphttps://chenhao2345.github.iohttps://github.com/chenhao2345/SCR_ReID

原创 autoware 名古屋nagoya大学 雷达课程7

1 lidar预处理无用点、坏点、冗余点、在这里插入图片描述在这里插入图片描述

转载 点云标注cloudcampare

注意保存的时候选择ascii的txt，或者cc的bin文件 参考三维点云——数据标注这篇博客，看了作者的介绍，只看懂了一半，后续自己琢磨一下，竟然成功了，先感谢原博主~ 个人拙见，仅供参考，有更好的方法欢迎下方评论交流 目录 1、打开文件2、分割3、标注4

原创 ubuntu18点击图标最小化

gsettings set org.gnome.shell.extensions.dash-to-dock click-action 'minimize'

原创 点云学习csdn

1 RGB vs Depth vs Point clouds2 分类、检测、跟踪、分割（语义、全景（实例+语义））挑战：分布不均匀、无序（无结构）处理方法无序：算法满足置换不变性结构化：voxel，多视角投影点云直接DL处理：pointNet3D近邻点聚类，3D连续卷积、3D分离卷积基于图结构处理4 实验 pc++...

原创 ubuntu aptitude conda 环境打包迁移及部署 samba

sudo apt install aptitudesudo aptitude install samba

原创 zsh终端优化工具使用

1 sudo apt install zsh2 omz用proxychainswget https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.shsh install.sh3 设置 .zshrc#ZSH_THEME=“mortalscumbag”ZSH_THEME=“robbyrussell”# >>> conda initialize >>># !! Cont

原创 win10管理员权限设置

net user administrator /active:yes

原创 自动驾驶架构

自动驾驶由三个部分构成，分别是感知层、认知与判断层、执行层。其中感知层硬件包括激光雷达、毫米波雷达、摄像头等传感器，用于探测汽车周围的环境信息。认知与判断层涉及算法、应用软件与芯片，计算对应传感器测量的数据。不同处理器、视觉芯片的数据汇总到自动驾驶运算平台进行大规模运算，最后给执行层发出指令。执行层则对应电子刹车、电子助力转向、电子车身稳定系统等。...

原创 panoptic polarnet 笔记

摘要摘要全貌分割是一种新的挑战，其目的是将实例分割和语义分割统一在一个框架内，同时发挥检测和分割的优点。然而，在激光雷达点云这一新兴领域中，如何有效地解决全光分割问题仍然是一个有待研究的问题。本文提出了一种快速、鲁棒的激光雷达点云全光学分割框架，称为panoptical - polarnet。我们在一个单一的推理网络中使用极鸟瞰视图(BEV)表示学习了语义分割和类别不可知的实例聚类，使我们能够规避城市街道场景中实例之间的遮挡问题。为了提高网络的可学习性，我们还提出了一种改进的实例增强技术和一种新的

原创 semtic kityy数据集信息和工具可视化

sem11-21的提交测试地址https://competitions.codalab.org/competitions/24025#learn_the_details-evaluation数据集结构，instance是polarnet预处理脚本生成，用于全景分割的实例分割2 github code 安装https://github.com/PRBonn/semantic-kitti-apiconda create --name smekitty python=3.7pip install -

原创 vscode设置remote-ssh，如果失败改权限

这个错误意味着：文件夹.ssh 的权限不仅仅是windows 当前用户拥有或者当前用户权限不足，故修改权限即可。解决方法找到.ssh文件夹。它通常位于C:\Users，例如C:\Users\Akkuman。右键单击.ssh文件夹，然后单击“属性”。找到并点击“安全”标签。然后单击“高级”。 单击“禁用继承”，单击“确定”。 将出现警告弹出窗口。单击“从此对象中删除所有继承的权限”。你会注意到所有用户都将被删除。让我们添加所有者。在同一窗口中，单击“编辑”按钮。接下来，单击“添加”以显示“选择用

原创 linux常用命令

1 终端PS1 当前路径信息显示在.bashrc中改PS1，设置显示和命令输入分成两行，\nPS1='${debian_chroot:+($debian_chroot)}\[\033[01;32m\]\u@\h\[\033[00m\]:\[\033[01;34m\]\w\[\033[00m\]\$ \n $ 'uname -alsb_release -alscpu

原创 andrio部署caffe利用pytorch-onnx-caffe

https://zhuanlan.zhihu.com/p/323423665.最后在Android上部署注：玩之前，记得先在linux下装好android studio，这部分网上教程很多啦由于我很久之前玩过一段时间Android编程，所以基本直接能看懂caffe2官网AICamera的例子，这个demo我基本没有做什么UI编程，就换了一下模型，主要关注以下两个地方：...

原创 模型加速tensorrt部署

1 模型部署2 框架2 tensorrt加速库，模型部署SDK加速包tensorrt 依赖cuDnn，INT8和FP16面试会问到fp16.10-3精度损失，int8损失0.1面试会问2 安装tensorrt，cuda，cudnn，nvidia-driver3 部署实战cpp版本的tensorrthttps://github.com/NVIDIA/TensorRT/blob/main/samples/sampleOnnxMNIST/sampleOnnxMNIST.c

原创 vslam rgbd + lidar

建完图后导航，rtabmapviz是绿色才行roslaunch robot_vslam rtabmapviz.launch导航