2019 年 11月随笔档案 - 一杯明月

Deformable Convolutional Networks

摘要：1 空洞卷积 1.1 理解空洞卷积在图像分割领域，图像输入到CNN（典型的网络比如FCN）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图阅读全文

posted @ 2019-11-30 23:46 一杯明月阅读(1749) 评论(0) 推荐(0) 编辑

卷积核filter和kernal的区别

摘要：在一堆介绍卷积的帖子中，这篇特别之处在于很萌的示例配色，令人眼前一亮，当然直观也是很直观滴，保证了能在昏昏欲睡见周公子前看完。 https://towardsdatascience.com/types-of-convolution-kernels-simplified-f040cb307c37 直观阅读全文

posted @ 2019-11-30 23:23 一杯明月阅读(12804) 评论(0) 推荐(4) 编辑

木心/《眉目》

摘要：木心/《眉目》你的眉目笑语使我病了一场热势退尽，还有我寂寞的健康如若再晤见，感觉是远远的像有人在地平线上走，走过只剩地平线，早春的雾迷濛了所幸的是你毕竟算不得美美，我就病重，就难痊愈你这点才貌只够我病十九天第二十天你就粗糙难看起来你一生的华彩乐段也就完了别人怎会当你是什么宝贝呢阅读全文

posted @ 2019-11-30 01:09 一杯明月阅读(14809) 评论(0) 推荐(0) 编辑

人生若只如初见，何事秋风悲画扇

摘要：人生若只如初见，何事秋风悲画扇。人生要是都像初见那样美好就好了，为何连秋风都为画扇感到悲凉？因为画扇只在夏天有用，到秋天就被弃置一旁了。这句用了典，写的是汉成帝和班婕妤的爱情悲剧。我觉得不应该只点出这一句，个人觉得后面一句在意味上更进一层，而且有后一句，前一句也易于理解些。人生若只如初见，何事阅读全文

posted @ 2019-11-29 23:26 一杯明月阅读(6331) 评论(0) 推荐(0) 编辑

c++从文件路径获取目录

摘要：#include<iostream> #include<string> using namespace std; int main() { //string filePath = "D:\\statistics_chengqichao\\qcc\\biaoxiandianyun.xyz"; //in 阅读全文

posted @ 2019-11-27 16:00 一杯明月阅读(6566) 评论(0) 推荐(0) 编辑

ICCV2019《KPConv: Flexible and Deformable Convolution for Point Clouds》

摘要：针对semantic3D数据集： 1.数据集准备： Semantic3D dataset can be found <a href="http://www.semantic3d.net/view_dbase.php?chl=2">here</a>. Download and unzip every 阅读全文

posted @ 2019-11-25 22:35 一杯明月阅读(1151) 评论(2) 推荐(0) 编辑

Ubuntu16.04下安装Cmake-3.8.2并为其配置环境变量

摘要：下载安装包首先我们到官网下载最新的cmake二进制安装包https://cmake.org/files/这里，我下载的是比较新的cmake-3.8.2-Linux-x86_64.tar.gz解压安装包将压缩包的文件提取到比较合适的位置后，就是配置环境变量了，这一点最关键，因为本身官方的二进制包不需要阅读全文

posted @ 2019-11-24 11:50 一杯明月阅读(4344) 评论(0) 推荐(0) 编辑

Tensorflow加载预训练模型和保存模型（ckpt文件）以及迁移学习finetuning

摘要：转载自：https://blog.csdn.net/huachao1001/article/details/78501928 使用tensorflow过程中，训练结束后我们需要用到模型文件。有时候，我们可能也需要用到别人训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。阅读全文

posted @ 2019-11-24 10:19 一杯明月阅读(11026) 评论(0) 推荐(1) 编辑

最远点采样

摘要：FPS算法的逻辑为：以点云第一个点，作为查询点，从剩余点中，取一个距离最远的点；继续以取出来的点，作为查询点，从剩余点中，取距离最远的点。此时，由于已经取出来的点的个数大于1，需要考虑已经选出来的点集中的每个点。计算逻辑如下：对于任意一个剩余点，计算该点到已经选中的点集中所有点的距离；取最小阅读全文

posted @ 2019-11-23 20:21 一杯明月阅读(5607) 评论(0) 推荐(0) 编辑

pointcnn

摘要：这篇论文先举例子解释了为什么卷积无法直接应用在点云数据上。如图1，传统的卷积是作用在2维图像数据上。图像中每个像素的顺序是固定的，也就是说数据是结构化存储的。直接使用conv2d就能从这种潜在的空间结构中获取信息。而点云数据是点集，如果直接使用卷积会出现图中234多种情况若直接使用卷积，则f 阅读全文

posted @ 2019-11-22 22:25 一杯明月阅读(1271) 评论(0) 推荐(0) 编辑

LINUX下查看点云图————point cloud（.ply .vtk .pcd）

摘要：首先，你要确定点云的格式：.pcd(.vtk) 还是 .ply如果是.pcd(.vtk)，那么可以用pcl工具查看：1、安装pcl，官网链接点击打开链接 sudo add-apt-repository ppa:v-launchpad-jochen-sprickerhof-de/pcl sudo ap 阅读全文

posted @ 2019-11-22 09:27 一杯明月阅读(3327) 评论(0) 推荐(0) 编辑

Open3D-PointNet2-Semantic3D-master的运行

摘要：1.修改download_semantic3d.sh文件 #!/bin/bash ans=`dpkg-query -W p7zip-full` if [ -z "$ans" ]; then echo "Please, install p7zip-full by running: sudo apt-g 阅读全文

posted @ 2019-11-21 21:45 一杯明月阅读(1995) 评论(13) 推荐(1) 编辑

Python文件读取中：f.seek(0)和f.seek(0,0)有什么区别

摘要：file.seek()方法标准格式是：seek(offset,whence=0)offset：开始的偏移量，也就是代表需要移动偏移的字节数whence：给offset参数一个定义，表示要从哪个位置开始偏移；0代表从文件开头开始算起，1代表从当前位置开始算起，2代表从文件末尾算起。默认为0whence 阅读全文

posted @ 2019-11-21 20:27 一杯明月阅读(5444) 评论(0) 推荐(0) 编辑

FLOPS

摘要：FLOPS FLOPS(Float Operations Per Second):每秒浮点运算量，是衡量吞吐率的一个单位，通过折算到具体的浮点操作数量上。所谓，吞吐率——就如同水管，每秒可以流出多少立方的水。阅读全文

posted @ 2019-11-21 13:58 一杯明月阅读(1082) 评论(0) 推荐(0) 编辑

ubuntu 中wget (下载)命令用法

摘要：Linux wget是一个下载文件的工具，它用在命令行下。对于Linux用户是必不可少的工具，尤其对于网络管理员，经常要下载一些软件或从远程服务器恢复备份到本地服务器 1、使用wget下载单个文件以下的例子是从网络下载一个文件并保存在当前目录 wget http://cn.wordpress.o 阅读全文

posted @ 2019-11-21 12:17 一杯明月阅读(1924) 评论(0) 推荐(0) 编辑

ubuntu下的mv命令

摘要：移动文件代码: mv file1 dir1 #因为dir1目录是存在的，可以不加 / 直接放入 mv file1 dir1/ #把temp文件移动到myfiles目录中移动目录代码: mv dir1 dir2 #因为dir2目录是存在的，可以不加 / 直接放入 mv dir1 dir2/ mv 阅读全文

posted @ 2019-11-21 11:27 一杯明月阅读(1647) 评论(0) 推荐(0) 编辑

semantic3d

摘要：Semantic 3D 这个数据级别的训练集有一个小BUG，是这个neugasse_station1_xyz_intensity_rgb.7z，解压之后的名字是station1_xyz_intensity_rgb.txt，自己最好手动去修改成neugasse_station1_xyz_intens 阅读全文

posted @ 2019-11-19 18:01 一杯明月阅读(3498) 评论(0) 推荐(0) 编辑

shellnet运行train_val_seg.py

摘要：1.semantic3d数据集准备：prepare_semantic3d_data.py 11个测试数据集（.txt文件）：假如运行的是室外点云数据集“seg_semantic3d”，可能需要做以下改动： 1.train_val_seg.py中的： parser.add_argument('--s 阅读全文

posted @ 2019-11-19 15:08 一杯明月阅读(509) 评论(0) 推荐(0) 编辑

Tensorflow的不足之处

摘要：Tensorflow还是有不足的地方。第一体现在Tensorflow的数据机制，由于tensor只是占位符，在没有用tf.Session().run接口填充值之前是没有实际值的。阅读全文

posted @ 2019-11-19 14:41 一杯明月阅读(356) 评论(0) 推荐(0) 编辑

用pip命令把python包安装到指定目录

摘要：sudo pip install transforms3d --target=/usr/local/lib/python2.7/site-packages pip install transforms3d --target=/home/dell/anaconda3/lib/python3.6/sit 阅读全文

posted @ 2019-11-19 13:03 一杯明月阅读(9440) 评论(0) 推荐(0) 编辑

ubuntu建立文件或者文件夹软链接

摘要：文件夹建立软链接（用绝对地址） ln -s 源地址目的地址比如我把linux文件系统rootfs_dir软链接到/home/jyg/目录下 ln -s /opt/linux/rootfs_dir /home/jyg/rootfs_dir就可以了删除软连接： rm -rf 目的地址比如：rm 阅读全文

posted @ 2019-11-19 10:57 一杯明月阅读(9780) 评论(0) 推荐(0) 编辑

感受野

摘要：在神经网络中，感受野的定义是：卷积神经网络的每一层输出的特征图（Feature map）上的像素点在原图像上映射的区域大小。https://zhuanlan.zhihu.com/p/296621824 阅读全文

posted @ 2019-11-18 01:18 一杯明月阅读(134) 评论(0) 推荐(0) 编辑

ICCV

摘要：ICCV 简介ICCV 的全称是 IEEE International Conference on Computer Vision，即国际计算机视觉大会，由IEEE主办，与计算机视觉模式识别会议（CVPR）和欧洲计算机视觉会议（ECCV）并称计算机视觉方向的三大顶级会议，被澳大利亚ICT学术会议排名阅读全文

posted @ 2019-11-17 15:44 一杯明月阅读(1488) 评论(0) 推荐(0) 编辑

深度学习的encoder和decoder

摘要：所谓编码，就是将输入序列转化成一个固定长度的向量；解码，就是将之前生成的固定向量再转化成输出序列。阅读全文

posted @ 2019-11-17 10:18 一杯明月阅读(1980) 评论(0) 推荐(0) 编辑

Associatively Segmenting Instances and Semantics in Point Clouds

摘要：论文引入一个简单且灵活的框架同时分割点云中的实例和语义，进一步提出两种方法让两个任务从彼此受益。代码: https://github.com/WXinlong/ASIS 论文: https://arxiv.org/abs/1902.09852 语义分割和实例分割最大的共同点是： 1.不同类别的点属阅读全文

posted @ 2019-11-16 22:41 一杯明月阅读(445) 评论(0) 推荐(0) 编辑

点云语义分割网络

摘要：室外点云语义分割的特点：剧烈变化的点密度是点云室外场景语义分割的难点。 pointcnn pointconv（论文翻译：https://zhuanlan.zhihu.com/p/63189649 https://zhuanlan.zhihu.com/p/69597887） DGCNN ShellN 阅读全文

posted @ 2019-11-16 21:03 一杯明月阅读(3871) 评论(0) 推荐(0) 编辑

tf.tile() 用法介绍

摘要：tile() 平铺之意，用于在同一维度上的复制 tile( input, #输入 multiples, #同一维度上复制的次数 name=None )示例如下： with tf.Graph().as_default(): a = tf.constant([1,2],name='a') b = tf. 阅读全文

posted @ 2019-11-15 22:15 一杯明月阅读(5058) 评论(0) 推荐(0) 编辑

pointnet++之classification/train.py

摘要：1.数据集加载 if FLAGS.normal: assert(NUM_POINT<=10000) DATA_PATH = os.path.join(ROOT_DIR, 'data/modelnet40_normal_resampled') TRAIN_DATASET = modelnet_data 阅读全文

posted @ 2019-11-15 21:09 一杯明月阅读(2840) 评论(6) 推荐(1) 编辑

pointnet++的pytorch实现

摘要：代码参考：https://blog.csdn.net/weixin_39373480/article/details/88934146 def recognize_all_data(test_area = 5): ALL_FILES = getDataFiles('/home/dell/qcc/po 阅读全文

posted @ 2019-11-13 17:58 一杯明月阅读(2923) 评论(0) 推荐(0) 编辑

xavier初始化的简单推导

摘要：https://blog.csdn.net/luoxuexiong/article/details/95772045 阅读全文

posted @ 2019-11-13 12:16 一杯明月阅读(354) 评论(0) 推荐(0) 编辑

ubuntu安装dia

摘要：linux下一款不错的流程图工具：dia。安装此工具：1.打开终端(快捷键：ctrl+alt+t)。2.输入命令： $sudo apt-get install dia 3.提示“解压缩后会消耗掉 20.9 MB 的额外空间。您希望继续执行吗？[Y/n]”，输入“y”，等待，安装完成。卸载此工具：（1 阅读全文

posted @ 2019-11-12 17:59 一杯明月阅读(1740) 评论(0) 推荐(0) 编辑

卷积，reLu,池化的意义

摘要：1.卷积提取局部特征 2.Relu 留下相关特征，去掉不相关特征，卷积之后的正值越大，说明与卷积核相关性越强，负值越大，不相关性越大。 3.池化池化的目的：（1）留下最相关的特征，或者说留下最明显的特征。（2）增大感受野，所谓感受野，即一个像素对应回原图的区域大小，假如没有pooling，一阅读全文

posted @ 2019-11-11 22:32 一杯明月阅读(1858) 评论(0) 推荐(0) 编辑

linux的cpu使用率

摘要：linux 上一个核占满是 100%，双核机器占满整个 CPU 是 200% 阅读全文

posted @ 2019-11-10 22:23 一杯明月阅读(596) 评论(0) 推荐(0) 编辑

python 并行处理数据

摘要：来源：https://blog.csdn.net/weixin_42001089/article/details/88843152 import multiprocessing import time import os print("温馨提示：本机为",os.cpu_count(),"核CPU") 阅读全文

posted @ 2019-11-10 22:10 一杯明月阅读(1593) 评论(0) 推荐(0) 编辑

BN和Relu

摘要：Batch normalization + ReLU 批归一化（BN）可以抑制梯度爆炸/消失并加快训练速度原论文认为批归一化的原理是：通过归一化操作使网络的每层特征的分布尽可能的稳定，从而减少Internal Covariate Shift relu是目前应用最为广泛的激活函数，由于其梯度要么是阅读全文

posted @ 2019-11-10 19:05 一杯明月阅读(2012) 评论(0) 推荐(0) 编辑

回归与分类的定义

摘要：深度学习的基本问题是：学习一个由x到y的映射f 如果y是连续向量，则为回归问题如果y是离散值，则为分类问题如果y是随机变量，则为生成问题为了学习这个映射f，首先要准备好一个映射库然后依据大量的数据，从映射库中搜索最接近目标映射f的假设h 这个搜索方法往往称为机器学习算法阅读全文

posted @ 2019-11-10 19:01 一杯明月阅读(867) 评论(0) 推荐(0) 编辑

图像卷积动图

摘要：参考链接：40 卷积神经网络的结构3(多输入通道和多输出通道,池化层)_哔哩哔哩_bilibili 来源：https://blog.csdn.net/sinat_32043495/article/details/78841553 全连接层 / FC layer 两层之间所有神经元都有权重连接通常全阅读全文

posted @ 2019-11-10 18:33 一杯明月阅读(1156) 评论(0) 推荐(0) 编辑

ubuntu自定义截图快捷键

摘要：如果只需要获取一张屏幕截图，不对其进行编辑的话，那么键盘的默认快捷键就可以满足要求了。而且不仅仅是 Ubuntu ，绝大部分的 Linux 发行版和桌面环境都支持以下这些快捷键： PrtSc – 获取整个屏幕的截图并保存到 Pictures 目录。 Shift + PrtSc – 获取屏幕的某个区域阅读全文

posted @ 2019-11-09 16:44 一杯明月阅读(559) 评论(0) 推荐(0) 编辑

batch、epoch、iteration

摘要：深度学习的优化算法，说白了就是梯度下降。每次的参数更新有两种方式。第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。这种方法每更新一次参数都要把数据集里的所有样本都看一遍，计算量开销大，计算速度慢，不支持在线学习，这称为Batch gradient descent，批梯度阅读全文

posted @ 2019-11-08 20:40 一杯明月阅读(544) 评论(0) 推荐(0) 编辑

调参技巧

摘要：数据预处理方式 zero-center ,这个挺常用的.X -= np.mean(X, axis = 0) # zero-centerX /= np.std(X, axis = 0) # normalize PCA whitening,这个用的比较少. 训练技巧要做梯度归一化,即算出来的梯度除以m 阅读全文

posted @ 2019-11-08 15:38 一杯明月阅读(235) 评论(0) 推荐(0) 编辑

Dropout

摘要：为什么说Dropout可以解决过拟合？（1）取平均的作用：先回到标准的模型即没有dropout，我们用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用 “5个结果取均值”或者“多数取胜的投票策略”去决定最终结果。例如3个网络判断结果为数字9,那么很有可能真正的结阅读全文

posted @ 2019-11-08 15:36 一杯明月阅读(409) 评论(0) 推荐(0) 编辑

Python-numpy包中多维数组转置，transpose.swapaxes的轴编号（axis）的理解

摘要：transpose()中三个轴编号的位置变化理解 transpose(a,b,c)其中a轴编号即为参考编号，垂直于a的平面即为所有平面，该平面上的数据再根据b,c相对于（0,1，2）的位置关系进行改变，下面以实例举例说明 A.transpose(0,1,2)对应的就是arr数组原形 In [8]: 阅读全文

posted @ 2019-11-07 10:38 一杯明月阅读(1169) 评论(0) 推荐(0) 编辑

adam优化算法

摘要：1.SGD的难处：考虑z=1/20*x2+y2图像，等高线图和负梯度方向：假设从（-7,2）这一点开始进行梯度更新（下降）： learningrate=0.9; x-=0.9*(1/10)*x (1) y-=0.9*2*y (2) 把（-7,2）这一点带入（1）和（2）式中，得到一个新的(x, 阅读全文

posted @ 2019-11-06 16:56 一杯明月阅读(1368) 评论(0) 推荐(0) 编辑

泰勒展开，泰勒公式，泰勒级数

摘要：(1 封私信 / 44 条消息) 如何通俗地解释泰勒公式？ - 知乎 (zhihu.com) 泰勒：任何函数都可以展开成多项幂函数的和的形式。 sinx晚上取听相声去了，回来后，cosx不认识他了，因为他听相声听的太乐了（泰勒了），乐开了花，就展开了。对于可导函数，它有一个完全等价的，但是更高层次阅读全文

posted @ 2019-11-06 16:40 一杯明月阅读(5525) 评论(0) 推荐(0) 编辑

导数和微分的区别

摘要：导数和微分的区别导数是函数在某一点处的斜率，是Δy和Δx的比值；而微分是指函数在某一点处的切线在横坐标取得增量Δx以后，纵坐标取得的增量，一般表示为dy。每一步我们都按照更新x，这就是梯度下降的原理。阅读全文

posted @ 2019-11-06 14:42 一杯明月阅读(2665) 评论(0) 推荐(0) 编辑

matlab的plot3()函数、mesh()函数和surf()函数

摘要：1.plot3()函数例1：绘制一条空间折线。 x=[0.2,1.8,2.5]; y=[1.3,2.8,1.1]; z=[0.4,1.2,1.6]; figure(1);plot3(x,y,z); grid on; axis([0,3,1,3,0,2])%设置三个坐标轴的显示范围例2：绘制参数形阅读全文

posted @ 2019-11-06 13:03 一杯明月阅读(20449) 评论(0) 推荐(0) 编辑

matlab的clc,close,close all,clear,clear all命令

摘要：clc：清除命令窗口的内容，对工作环境中的全部变量无任何影响 close：关闭当前的Figure窗口 close all:关闭所有的Figure窗口 close(figure(1000));%关闭某个特定窗口。 clear：清除工作空间的所有变量 clear all：清除工作空间的所有变量，函数，和阅读全文

posted @ 2019-11-05 22:43 一杯明月阅读(2409) 评论(0) 推荐(0) 编辑

matlab画三维曲线的梯度图

摘要：https://blog.csdn.net/u013354805/article/details/52430268 阅读全文

posted @ 2019-11-05 21:57 一杯明月阅读(1741) 评论(0) 推荐(0) 编辑

matlab的三维绘图和四维绘图

摘要：https://blog.csdn.net/gyt15663668337/article/details/83962357 阅读全文

posted @ 2019-11-05 21:06 一杯明月阅读(738) 评论(0) 推荐(0) 编辑

Ubuntu16.04安装deb包

摘要：在Ubuntu下安装deb包需要使用dpkg命令.Dpkg 的普通用法： 1、sudo dpkg -i <package.deb> 安装一个 Debian 软件包，如你手动下载的文件。 2、sudo dpkg -c <package.deb> 列出 <package.deb> 的内容。 3、sudo 阅读全文

posted @ 2019-11-05 20:23 一杯明月阅读(2334) 评论(0) 推荐(1) 编辑

ubuntu安装matlab之后的打开

摘要：https://blog.csdn.net/qq_34809033/article/details/84674996 阅读全文

posted @ 2019-11-05 20:20 一杯明月阅读(695) 评论(0) 推荐(0) 编辑

深度学习accuracy

摘要：accuracy=(1+3)/(1+2+3+4)，即在所有样本（例子）中做出正确预测的的比例，或者说正确预测的样本数占总预测样本数的比值。 precision=(1)/(1+2)，指的是正确预测的正样本数占所有预测为正样本的数量的比值，也就是说所有预测为正样本的样本中有多少是真正的正样本。从这我们可阅读全文

posted @ 2019-11-05 19:32 一杯明月阅读(1869) 评论(0) 推荐(0) 编辑

CloudCompare打开pcd文件

摘要：Ubuntu下CloudCompare稳定版本无法打开pcd点云文件，切换到edge版本即可 $ sudo snap refresh --edge cloudcompare 阅读全文

posted @ 2019-11-05 15:25 一杯明月阅读(2314) 评论(0) 推荐(0) 编辑

source ~/.bashrc

摘要：编辑命令: gedit ~/.bashrc 编辑之后使环境变量生效的命令：source ~/.bashrc 每次修改.bashrc后，使用source ~/.bashrc（或者 . ~/.bashrc）就可以立刻加载修改后的设置，使之生效。阅读全文

posted @ 2019-11-05 14:47 一杯明月阅读(13079) 评论(0) 推荐(0) 编辑

np.column_stack将两个矩阵进行组合连接,用python将一个数据文件分为训练集和测试集

摘要：https://zhuanlan.zhihu.com/p/43577264 阅读全文

posted @ 2019-11-05 14:23 一杯明月阅读(481) 评论(0) 推荐(0) 编辑

ubuntu16.04安装cloudcompare

摘要：A git clone --recursive https://github.com/cloudcompare/trunk.git cd trunk mkdir build cd build cmake .. make -j8 sudo make install B 1.基本的源码编译安装请按照A，阅读全文

posted @ 2019-11-05 12:29 一杯明月阅读(4863) 评论(0) 推荐(1) 编辑

查看ubuntu已安装软件

摘要：查看安装的所有软件 dpkg -l “dpkg ”是“Debian Packager ”的简写。为 “Debian” 专门开发的套件管理系统，方便软件的安装、更新及移除。所有源自“Debian”的“Linux ”发行版都使用 “dpkg”，例如 “Ubuntu”、“Knoppix ”等。 --《百度阅读全文

posted @ 2019-11-05 12:13 一杯明月阅读(5506) 评论(0) 推荐(0) 编辑

python字符串拼接

摘要：1.+号连接 a="hello," b="world!" c=a+b print(c) 有一点需要注意的是，字符串类型是不可变的，所以每一次应用加号连接字符串都会生成一个新的字符串，连接多个字符串时，效率低下就是必然的了。 2.join()连接 a="hello," b="world!" c=''. 阅读全文

posted @ 2019-11-05 11:09 一杯明月阅读(1429) 评论(0) 推荐(0) 编辑

pointnet++之场景语义分割scannet/train.py

摘要：1.作者可能把scannet数据集分成了训练集和测试集并处理成了.pickle文件。 2.在代码运行过程中，作者从.pickle文件中读出训练集1201个场景的x、y、z坐标和测试集312个场景的x、y、z坐标。 3.考虑把点存到.txt文件中，用cloudcompare可视化一下。 2--地板 3 阅读全文

posted @ 2019-11-05 09:41 一杯明月阅读(5853) 评论(16) 推荐(0) 编辑

度学习中优化方法——momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、Adam

摘要：https://blog.csdn.net/u012328159/article/details/80311892 阅读全文

posted @ 2019-11-05 00:26 一杯明月阅读(306) 评论(0) 推荐(0) 编辑

SGD的动量（Momentum）算法

摘要：引入动量（Momentum）方法一方面是为了解决“峡谷”和“鞍点”问题；一方面也可以用于SGD 加速，特别是针对高曲率、小幅但是方向一致的梯度。如果把原始的 SGD 想象成一个纸团在重力作用向下滚动，由于质量小受到山壁弹力的干扰大，导致来回震荡；或者在鞍点处因为质量小速度很快减为 0，导致无法离开阅读全文

posted @ 2019-11-04 23:12 一杯明月阅读(11751) 评论(0) 推荐(1) 编辑

点云语义分割论文

摘要：1.https://zhuanlan.zhihu.com/p/69597887 阅读全文

posted @ 2019-11-04 22:48 一杯明月阅读(417) 评论(0) 推荐(0) 编辑

scannet数据集

摘要：是通过RGBD摄像机得到的3维激光点云，不是通过lidar扫描得到。数据集包含xyz和label信息，不包含颜色信息。一共1513个室内场景数据（每个场景中点云数量都不一样），共21个类别的对象（0-20，总共已知类别应该是20，类别0应该是未知类别，即未标注点云），其中，1201个场景用于训练阅读全文

posted @ 2019-11-04 22:47 一杯明月阅读(8875) 评论(7) 推荐(0) 编辑

网页版微信无法登录的解决办法

摘要：https://blog.csdn.net/codedancing/article/details/102165225 阅读全文

posted @ 2019-11-04 21:33 一杯明月阅读(889) 评论(0) 推荐(0) 编辑

pycharm运行过程中pycharm控制台和python控制台之间的切换

摘要：有时候在调试（debug）python代码的时候，希望像matlab那样输入某一个变量以查看其值，这是需要把pycharm的console切换到python的console，以输入变量查看其值，点击那个"python"标志即可，再次点击可切换回去。阅读全文

posted @ 2019-11-04 21:25 一杯明月阅读(2628) 评论(0) 推荐(0) 编辑

梯度下降原理和随机梯度下降

摘要：2022、9、7 23:03 27 梯度下降_哔哩哔哩_bilibili 2021.11.9： (4 封私信 / 79 条消息) 【视频】梯度下降是什么鬼？（高中生都看得懂） - 知乎 (zhihu.com) 之前：理解随机梯度下降，首先要知道梯度下降法，故先介绍梯度下降法：梯度下降法大多数机阅读全文

posted @ 2019-11-04 18:01 一杯明月阅读(5489) 评论(0) 推荐(0) 编辑

pycharm调整选中的变量的颜色

摘要：阅读全文

posted @ 2019-11-03 20:17 一杯明月阅读(2220) 评论(0) 推荐(2) 编辑

K-means聚类

摘要：https://blog.csdn.net/skyline0623/article/details/8154911 https://blog.csdn.net/llh_1178/article/details/81633396 k-means算法思想先随机选取K个对象作为初始的聚类中心。然后计算每阅读全文

posted @ 2019-11-02 19:43 一杯明月阅读(191) 评论(0) 推荐(0) 编辑

ubuntu16.04下安装.deb安装包

摘要：sudo dpkg -i <package.deb> 阅读全文

posted @ 2019-11-02 19:24 一杯明月阅读(331) 评论(0) 推荐(0) 编辑

过拟合和欠拟合

摘要：过拟合：样本数量少于要估计的参数，容易造成过拟合，泛化能力会很差。欠拟合：样本数量多于要估计的参数，易造成欠拟合。阅读全文

posted @ 2019-11-02 15:17 一杯明月阅读(229) 评论(0) 推荐(0) 编辑

从K近邻算法、距离度量谈到KD树、SIFT+BBF算法

摘要：参考：https://blog.csdn.net/v_july_v/article/details/8203674 1.3、K值的选择除了上述1.2节如何定义邻居的问题之外，还有一个选择多少个邻居，即K值定义为多大的问题。不要小看了这个K值选择问题，因为它对K近邻算法的结果会产生重大影响。如李航博阅读全文

posted @ 2019-11-02 14:53 一杯明月阅读(717) 评论(0) 推荐(0) 编辑

搜索

常用链接

随笔分类

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论