- 博客(19)
- 收藏
- 关注
RSS订阅原创 SLAM十四讲-----三维空间刚体运动
欧拉角提供了一种非常直观的方式来描述旋转------它用了3个分离的转角，把一个旋转分解成3 次绕不同轴的旋转。欧拉角的一个重大缺点是会碰到著名的万向锁问题（Gimbal Lock）：在俯仰角±90度时，第一次旋转与第三次旋转将使用同一个轴，使得系统丢失了一个自由度（由3次旋转变成了2次旋转）。因为在SLAM中位姿是未知的，而我们需要解决形如”什么样的相机位姿最符合当前观测数据“这样的问题，一种典型的方式是把它构建成一个优化问题，求解最优的R，t，使得误差最小化。旋转矩阵、变换矩阵对加法都是不封闭的。
2023-09-20 10:22:26
114
原创 SLAM十四讲ubunbu实操
在Linux中，库文件分成静态库和共享库两种。虽然这个过程中多了调用cmake和make的步骤，但我们对项目的编译管理工作，从输入一串g++命令，变成了维护若干了比较直观的CMakeLists.txt文件，这将明显降低维护整个工程难度。库文件是一个压缩包，里面有编译好的二进制函数，如果仅有.a或.so库文件，那么我们并不知道里面的函数是什么，调用的形式又是什么样的。为了让别人（或者自己）使用这个库，我们需要提供一个头文件，说明这个库有什么，因此，对于库的使用者，只要拿到了头文件和库文件，就可以调用这个库。
2023-08-27 17:30:01
99
原创 视觉SLAM十四讲---预备知识
双目或多目相机的缺点是配置与标定均较为复杂，其深度量程和精度受双目的基线与分辨率所限，而且视差的计算非常消耗计算资源，需要使用GPU和FPGA设备加速，才能实时输出整张图像的距离信息。但是我们也看到，一方面，这种地图需要存储每一个各点的状态，会耗费大量的存储空间，而且多数情况下地图的许多细节部分是无用的。后端优化要考虑的问题，就是如何从这些带有噪声的数据中估计整个系统的状态，以及这个状态估计的不确定性有多大-----这称为最大后验概率估计（Maximum-a-Posteriori，MAP）。
2023-08-26 16:45:40
150
原创 机器学习实战--机器学习概述
现在假设线性模型的泛化能力更强，但是需要应用一些正则化来避免过拟合，通过使用100个不同的超参数值来训练100个不同的模型，然后假设由此找到了最佳的超参数值，它生成的模型泛化误差最小，比如仅仅5%，然后在生产环境中运行这个模型。使用在线学习系统，需要接收持续的数据流（例如股票价格），同时对数据流的变化做出快速或自主的反应，使用在线学习是一个非常好的方式。这可以节省大量空间。反过来，如果学习率很低，系统会有更高的惰性，也就是说，学习会更缓慢，同时也会对新数据中的噪音或者非典型数据点（离群值）的序列更不敏感。
2023-08-24 11:26:51
102
原创 opencv基础知识
调整或的区域中调用predict（）函数，该函数返回两个元素的数组：第一个元素是所识别个体的标签，第二个是置信度评分。所有的算法都有一个置信度评分阈值，置信度评分用来衡量所识别人脸与原模型的差距，0表示完全匹配。可能有时不想保留所有的识别结果，则需要进一步处理，因此可用自己的算法来估算识别的置信度评分。LBPH(Local Binary Pattern Histogram)将检测到的人脸分为小单元，并将其与模型中的对应单元做比较，对每个区域的匹配值产生一个直方图。专业的表述为：从图像特征中提取特征。
2023-08-21 21:34:26
34
原创 张正友标定法
比如点的位置偏差几个像素，甚至出现特征点对误匹配的现象，如果只使用4个点对来计算单应矩阵，那会出现很大的误差。由于单应矩阵H包含了||H||=1约束，因此根据上图的线性方程组，8自由度的H我们至少需要4对对应的点才能计算出单应矩阵。这也回答了前面图像校正中提到的为何至少需要4个点对的根本原因。在一定的摄像机模型下、基于特定的实验条件如形状、尺寸、已知参照物，进行图像处理，数学变换、技术方法，求取内外参数。包括利用最优化算法的标定方法，利用摄像机变换矩阵的标定方法、进一步考虑畸变补偿的两步法、张正友标定法。
2023-08-14 22:16:36
651
原创 柱状图和堆叠柱状图
import numpy as npimport matplotlib.pyplot as pltimport pandas as pdfrom pyecharts.charts import Barplt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签data=pd.read_excel("***.xlsx")data在这里插入代码片
2023-08-14 16:21:42
44
原创 【第4周】MobileNet_ShuffleNet
阅读论文《HybridSN: Exploring 3-D–2-DCNN Feature Hierarchy for Hyperspectral Image Classification》，思考3D卷积和2D卷积的区别。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。● 训练HybridSN，然后多测试几次，会发现每次分类的结果都不一样，请思考为什么？1.更新了Block（bneck，加入SE模块，更新了激活函数 ）相比于MovileNet v1网络，准确率更高，模型更小。
2023-08-04 16:43:54
68
原创 【第三周】ResNet+ResNeXt
VGG我们的目标是使用预训练好的模型，因此，需要把最后的 nn.Linear 层由1000类，替换为2类。ResNeXt提出了一种介于普通卷积核深度可分离卷积的这种策略：分组卷积，通过控制分组的数量（基数）来达到两种策略的平衡。其内部的残差块使用了跳跃连接，缓解了在深度网络中增加深度带来的梯度消失问题。2、Batch Normailization 的原理，思考 BN、LN、IN 的主要区别。预测正确，同时具有较大的probability的图片。预测错误，同时具有较大的probability的图片。
2023-07-28 17:45:08
69
原创 【第2周】卷积神经网络
dataloader 里面 shuffle 取不同值有什么区别？shuffle是 bool 类型的参数，作用是设置是否将数据集打乱。shuffle = False , 表示不打乱数据的顺序，然后以batch为单位从头到尾按顺序取用数据。shuffle = True , 表示每一次在epoch中都打乱所有数据的顺序，然后以batch为单位从头到尾按顺序取用数据，这样的结果就是不同epoch中的数据都是乱序的。transform 里，取了不同值，这个有什么区别？当图像数据输入时，需要对图像数据进行预处理。
2023-07-21 11:57:21
105
原创 第一周 深度学习基础
浅层神经网络：生物神经元到单层感知器，多层感知器，反向传播和梯度消失神经网络到深度学习：逐层预训练，自编码器和受限玻尔兹曼机1.AlexNet有哪些特点？为什么可以比LeNet取得更好的性能？AlexNet的特点 1 . Alex的网络更深，一共有 8 层，参数很多；2 . Conv（特征层） + FC（输出层）的组合配置；3 . FC（输出层）占据绝对多数的模型参数， 96 % 的参数全都集中在 3 层全连接层中，卷积层之占 4 %；4. 卷积层与Pooling层交替；
2023-07-13 12:34:58
57
原创 7-1 厘米换算英尺英寸*宅家第一天
7-1 厘米换算英尺英寸如果已知英制长度的英尺foot和英寸inch的值，那么对应的米是(foot+inch/12)×0.3048。现在，如果用户输入的是厘米数，那么对应英制长度的英尺和英寸是多少呢？别忘了1英尺等于12英寸。输入格式：输入在一行中给出1个正整数，单位是厘米。输出格式：在一行中输出这个厘米数对应英制长度的英尺和英寸的整数值，中间用空格分开。输入样例：170结尾无空行输出样例：5 6结尾无空行#C语言#include<stdio.h>int main()
2022-01-06 15:29:10
280
原创 SQL中in和not in
SQL中in的用法IN和NOT ININ 和NOT IN 都属于确定集合的一种；IN用来查找属性值属于指定集合的元组；NOT IN 用来查找属性值不属于指定集合的元组。IN例：查询计算机科学系（CS）、数学系（MA）、信息系（IS）学生的姓名和性别。select Sname,Ssexfrom Student Where Sdept in('CS','MA','IS');有的题中的IN可以用多个OR来代替，比如这道题也可以写成这种形式：select Sname,SsexFrom St
2021-11-06 18:56:13
24682
1
原创 2021.1.22 Fibonacci数列
Fibonacci数列#include<stdio.h>int main(){int i,f1=1,f2=1,f3=1,n;scanf("%d",&n);if(n>2)for(i=3;i<=n;i++){f3=(f1+f2)%10007;f1=f2;f2=f3;}printf("%d",f3);return 0;}#include<stdio.h>#define MAXN 1000001#define MOD 10.
2021-01-23 16:59:23
90
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