opencv读视频失败的原因
摘要：示例代码 #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/imgcodecs.hpp> #
阅读全文
posted @
2021-10-28 17:36
JJ_S
阅读(1472)
推荐(1) 编辑
minicom的简单用法
摘要：1.安装minicom $ sudo apt-get install minicom 2.第一次启动minicom，并配置 进入串口 $ sudo minicom 第一次使用minicom的时候需要先对minicom进行配置，输入 $ sudo minicom -s 进入如下界面: 选择Serial
阅读全文
posted @
2021-10-26 16:12
JJ_S
阅读(3858)
推荐(0) 编辑
优化算法-最小二乘法、梯度下降、牛顿法、高斯牛顿、L-M算法
摘要：TODO 参考 https://blog.csdn.net/qq_37568167/article/details/105972628 《高斯牛顿法(GN)和列文伯格-马夸特算法(LM)》 https://zhuanlan.zhihu.com/p/335191534 《梯度下降法》 https://
阅读全文
posted @
2021-10-14 13:32
JJ_S
阅读(568)
推荐(0) 编辑
四元数、旋转变换
摘要：TODO 参考 https://blog.csdn.net/xiaoma_bk/article/details/79082629 https://blog.csdn.net/csxiaoshui/article/details/65445633
阅读全文
posted @
2021-10-14 13:21
JJ_S
阅读(52)
推荐(0) 编辑
cost function、 Loss Function、 期望风险、经验风险与结构风险
摘要：损失函数是一个非负实数函数, 用来量化模型预测和真实标签之间的差异. 损失函数（Loss Function）: 是定义在单个训练样本上的，计算的是一个样本的误差。 代价函数（Cost Function）: 是定义在整个训练集上面的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均。 目标
阅读全文
posted @
2021-10-12 15:24
JJ_S
阅读(678)
推荐(0) 编辑
Ceres学习-3.Solver
摘要：使用Ceres求解非线性优化问题，一共分为三个部分： 第一部分：构建cost fuction，即代价函数，也就是寻优的目标式。参见《Ceres学习-1.CostFunction》https://www.cnblogs.com/vivian187/p/15393995.html 第二部分：通过代价函数
阅读全文
posted @
2021-10-11 16:51
JJ_S
阅读(1950)
推荐(0) 编辑
Ceres学习-2.Problem
摘要：1.Problem类简述 // 来自于ceres-solver-1.14.0/include/ceres/problem.h class CERES_EXPORT Problem { public: // Problem默认掌握cost_function，loss_function和local_pa
阅读全文
posted @
2021-10-11 16:50
JJ_S
阅读(1973)
推荐(0) 编辑
Ceres学习-1.CostFunction
摘要：CostFunction的概念参考 https://www.cnblogs.com/vivian187/p/15398068.html Ceres求解器，像所有基于梯度的优化算法一样，依赖于能够评估目标函数及其在其域内任意点的导数。实际上，定义目标函数及其雅可比矩阵是用户在使用Ceres求解器求解优
阅读全文
posted @
2021-10-11 16:49
JJ_S
阅读(2533)
推荐(0) 编辑
18.Ceres官方教程-Modeling Non-linear Least Squares (6) Problem
摘要：Problem保持了非线性最小二乘问题的强化的边界。要创建最小二乘问题，可以使用ProblemAddResidualBlock()和ProblemAddParameterBlock()。 例如，下面这个Problem包含了三个参数块，维度分别为3，4，5。同时有两个残差块，维度分别是2和6。 dou
阅读全文
posted @
2021-10-11 14:45
JJ_S
阅读(815)
推荐(0) 编辑
17.Ceres官方教程-Modeling Non-linear Least Squares (5) LocalParameterization
摘要：1.LocalParameterization 在许多优化问题中，特别是传感器融合问题中，我们必须对流形空间中的数量进行建模，例如由四元数表示的传感器的旋转/方向。 流形是空间，其局部看起来像欧几里得空间。更准确地说，在流形上的每一点上，都有一个与流形相切的线性空间。它的维数等于流形本身的内在维数，
阅读全文
posted @
2021-10-11 11:13
JJ_S
阅读(710)
推荐(0) 编辑
16.Ceres官方教程-Modeling Non-linear Least Squares (4) 损失函数
摘要：对于最小二乘问题，其中最小化可能遇到包含异常值的输入项，即完全虚假的测量值，重要的是使用损失函数来减少它们的影响。 考虑一个来自运动问题的结构。未知量是3D点和摄像机参数，测量值是描述摄像机中某个点预期重投影位置的图像坐标。例如，我们想要对带有消防栓和汽车的街景的几何形状建模，通过带有未知参数的移动
阅读全文
posted @
2021-10-11 10:54
JJ_S
阅读(298)
推荐(0) 编辑
