随笔分类 - 计算机视觉&机器学习
摘要：下载源码：git clone --recurse-submodules https://github.com/graphdeco-inria/gaussian-splatting.git 利用conda创建虚拟环境：conda create -n gs python=3.8 切换虚拟环境：conda
阅读全文
摘要：https://towardsdatascience.com/a-comprehensive-overview-of-gaussian-splatting-e7d570081362 3D Gaussian Splatting测试了一个精灵4无人机飞的MOV格式视频，重建效果如下： 对应的ply点云效
阅读全文
摘要：深度学习中存在一些问题，包括但不限于以下几个方面： 贝叶斯理论与深度学习：深度学习模型的训练和推断方法通常基于概率论和统计学原理，但与贝叶斯推理理论的融合仍存在一些挑战和问题。 解释性和可解释性：深度学习模型往往被视为“黑匣子”，其决策过程不太可解释。如何提高深度学习模型的解释性，使其决策过程和结果
阅读全文
摘要：1.基于图元的CAD模型、三维点云、Mesh网格模型、体素化模型、八叉树表示、TSDF表示等 Naseer, M., S. H. Khan and F. Porikli "Indoor Scene Understanding in 2.5/3D for Autonomous Agents: A Su
阅读全文
摘要：1. 近期目标，实现随机森林进行点云分类 1）学习阶段： 【干货】Kaggle 数据挖掘比赛经验分享 Kaggle Machine Learning Competition: Predicting Titanic Survivors Kaggle Titanic 生存预测 -- 详细流程吐血梳理 机
阅读全文
摘要：1.特征值分解 2.奇异值分解 奇异值的物理意义是什么？ 奇异值分解(SVD)原理详解及推导 奇异值分解(SVD)原理与在降维中的应用 奇异值分解 SVD 的数学解释 3.高斯混合模型和EM 高斯混合模型（GMM）及其EM算法的理解 一文详解高斯混合模型原理 GMM的世界，你不懂？(上篇)
阅读全文
摘要：参考资料： python机器学习库scikit-learn简明教程之：随机森林 http://nbviewer.jupyter.org/github/donnemartin/data-science-ipython-notebooks/blob/master/kaggle/titanic.ipynb
阅读全文
摘要：Linux下安装scikit-learn sudo apt-get install python-pip sudo apt-get install python-pandas python-sympy python-nose sudo pip install scipy sudo pip insta
阅读全文
摘要：OpenMVG 是一个不错的SFM开源算法库，可以实现基于多视图像的稀疏重建。 OpenMVG SfM pipelines run as a 4 step process:包含四个基本过程 1. Image listing 图片文件的整理 openMVG_main_SfMInit_ImageList
阅读全文
摘要：来自知乎： SFM和vSLAM基本讨论的是同一问题，不过SFM是vision方向的叫法，而vSLAM是robotics方向的叫法。 vSLAM所谓的mapping，vision方向叫structure；vSLAM所谓的location，我们vision方向叫camera pose。 但是从出发点考虑
阅读全文
摘要：OpenCV矩形检测 需求：提取图像中的矩形，图像存在污染现象，即矩形区域不是完全规则的矩形。 思路一：轮廓法 OpenCV里提取目标轮廓的函数是findContours，它的输入图像是一幅二值图像，输出的是每一个连通区域的轮廓点的集合：vector<vector<Point>>。外层vector的
阅读全文
摘要：开发环境：Windows7, VS2010, OpenCV2.4.10 1.图像特征匹配 2.膨胀和侵蚀 形态学方法：读取图像，实现图像的膨胀和侵蚀操作。 3.图像二值化 4.图像边缘提取
阅读全文
摘要：谁告诉我说KinectFusion不能直接在Kinect2上直接用。今天心血来潮看了一下Kinect for Windows SDK中的头文件，发现完全可以用啊。 于是用SDK自带的Demo测试了一下： 发现存在一些问题，首先重建人并不容易。转360度其实还是不容易的，转动稍微快一点，模型就出现变形
阅读全文
摘要：尝试进行Kinect2.0相机进行标定 1. Color镜头标定 $(u_{rgb},v_{rgb},1)=W_{rgb}*(x,y,z)$ 2. 红外镜头标定 $(u_{ir},v_{ir},1)=W_{ir}*(x,y,z)$ 根据上面两个式子可以推导出两个图像像素之间的对应关系。先将RGB图像
阅读全文
摘要：接上一篇：Kinect2.0获取数据 http://blog.csdn.net/jiaojialulu/article/details/53087988 博主好细心，代码基本上帖过来就可以用，注释掉的部分改成文件输出就可以了！ 我们实验室的一帧数据，哈哈！ 上面的代码有内存泄露，程序运行一段时间把我
阅读全文
摘要：最近事情真是多，今天抽空研究一下Kinec2.0的数据获取！ 系统要求 https://developer.microsoft.com/en-us/windows/kinect/hardware-setup 系统环境 联想Y430P，Windows10 首先安装了Kinect for Windows
阅读全文
摘要：k-平均值算法对孤立点很敏感!因为具有特别大的值的对象可能显著地影响数据的分布. k-中心点(k-Medoids): 不采用簇中对象的平均值作为参照点, 而是选用簇中位置最中心的对象, 即中心点(medoid)作为参照点. http://blog.csdn.net/abcjennifer/artic
阅读全文
摘要：概率图模型(PGM)：有向图模型，无向图模型和混合概率图模型。 有向概率图模型：隐马尔科夫模型，贝叶斯网络和动态贝叶斯网络。 无向概率图模型：马尔科夫随机场 MRF，——>条件随机场 CRF。 混合概率图模型：链图。 Markov-Gibbs的等价性 Harmmersley--Clifford定理：
阅读全文
摘要：Diffusion maps接触到扩展映射，高维数据降维的相关东西。 扩展映射是一种非线性方法。
阅读全文
摘要：三维计算视觉研究内容包括： 1）三维匹配：两帧或者多帧点云数据之间的匹配，因为激光扫描光束受物体遮挡的原因，不可能通过一次扫描完成对整个物体的三维点云的获取。因此需要从不同的位置和角度对物体进行扫描。三维匹配的目的就是把相邻扫描的点云数据拼接在一起。三维匹配重点关注匹配算法，常用的算法有最近点迭代算
阅读全文
