原创 計算機視覺-數據集
1. CVonline: Image Databases Index by Topic Action Databases Agriculture Attribute recognition Autonomous Driving B
2020-06-21 04:20:26
8
原创 ToF基礎知識
1. ToF相機數學模型 ToF: Time of Flight ToF鼻祖：PMD 1.1 ToF原理 ToF攝像機光探測器收到的信號有：包括各個方向返回的光信號（光子），由背景光線等一系列信號複合組成的，這些光信號均爲正
2020-06-21 03:12:43
1
原创 決策樹和隨機森林（Decision Trees and Random Forests）
1. 基本概念 學習分類：基於樹的算法被認爲是最好的，最常用的監督學習方法之一 優勢： 基於樹的算法使預測模型具有較高的準確性，穩定性和易解釋性 與線性模型不同，它們很好地映射了非線性關係 用途 解決分類問題（class
2020-06-21 03:12:43
15
原创 OpenCV4 常用技巧
1. 常用知識 1.1 HSV H： Hue (色度) 表示是什麼顏色,即R、G、B等 它使用度來表示，0度：紅色，120度：綠色， 240 度：藍色 S: Saturation (飽和度) 顏色有多深，（0-100%）
2020-06-21 03:12:43
1
原创 2D/3D人體姿態估計 （2D/3D Human Pose Estimation）
1. 基本概念 算法改進入口 網絡設計 特徵流 損失函數 數據集的重要性：只要有一個好的、針對性的數據集，問題都可以解決 過集成新一代AutoML技術，可降低算法試錯成本 人體姿態估計（Human Pose Estimat
2020-06-21 03:12:43
397
原创 Win10+Anaconda3+TensorFlow 2.0.0+PyTorch1.3.1+OpenCV4.1
1.Anaconda3: 常用命令 conda create -n 環境名 numpy python=3.6 #後面可以接其他包 =用來指明版本 conda list # 查看安裝包列表 conda --
2020-06-21 03:12:43
原创 深度圖+點雲常用工具彙總
1. PCL (Point Cloud Library) 主要功能：支持2D/3D圖像和點雲處理 PCL Android資源 主要功能模塊 PCL教材 PCL依賴庫 庫名 最小版本 描述 Eigen 3.0 高
2020-06-15 03:12:38
93
原创 點雲處理（基於Open3D）
1. 算法 1.1 RANSAC RANSAC：RANdom SAmple Consensus（隨機一致性採樣） 用途：主要解決樣本中的局外點問題，最多可處理50%的局外點情況 工作原理： 從一組包含“局外點”的觀測數據集中，
2020-06-15 03:12:38
原创 機器人-數學工具
1. 基本概念 LIDAR（LIght Detection And Ranging）：光探測和測距 LADAR（LAser Detection And Ranging）：激光探測和測距 均值、方差、標準差\color{red}{
2020-06-04 07:29:49
原创 Cartographer系統&Config
1. 系統組成 它由以下兩個系統組成： Local SLAM (Frontend) ：產生好的Submap 創建局部一致的Submap集合，並把它們連在一起，會隨着時間漂移 Global SLAM(Backend)：把Subma
2020-06-04 07:29:49
原创 機器學習常用縮略詞
IEEE：Institute of Electrical & Electronic Engineers CVPR：Computer Vision and Pattern Recognition ECCV：European Conf
2020-06-04 07:29:49
原创 基於深度圖像的動作識別
1. 簡介 1.1 動作識別分類 基於深度信息 （相關論文） 3d action recognition from novel viewpoints (2016) Global context-aware attention
2020-05-19 18:20:10
原创 視覺慣性單目SLAM （五）矩陣微積分
1. 基本概念 矩陣微積分：Matrix Calculus 微積分的核心思想：局部線性化 矩陣函數（包括向量函數）對標量的導數：等於它的各個元素對標量的導數，且是同階的矩陣 張量積（ Kronecker product of m
2020-03-16 20:04:46
原创 矩陣分解 (特徵值/奇異值分解+SVD+解齊次/非齊次線性方程組)
，#1. 用途# 1.1 應用領域 最優化問題：最小二乘問題 (求取最小二乘解的方法一般使用SVD) 統計分析：信號與圖像處理 求解線性方程組：Ax=0或Ax=b 奇異值分解：可以降維，同時可以降低數據存儲需求 1.2 矩陣是
2020-03-16 20:04:36