从局部点云坐标到特征值 取局部邻域点集 给定中心点 p_0 ，用 kNN 或半径搜索得到邻域： \mathcal{N}(p_0)=\{p_i\}_{i=1}^{N},\quad p_i= \begin{bmatrix} x_i\\y_i\\z_i \end{bmatrix} 常见：kNN（如 k=2
Midnight Margins
欢迎来到我的个人博客！这里记录着我的想法、学习和生活。
文章发布热力图
一
三
五
少
多
在目标检测里，这俩其实对应两种不同的“类别假设”，没有绝对谁更“合理”，取决于任务是不是“互斥单标签”。 1) Softmax（单个多类交叉熵）什么时候更合理 前提：同一个框只属于一个类别（互斥），即 one-of-K。 典型：COCO/VO C 检测、YOLO/FCOS/Faster R-CNN
最近在看CS224R的课程，模仿学习中提到了DAger方法。其中提到，纯粹靠模仿专家轨迹训练出来的模型泛化性不足，所以可以依靠给出一个专家模型（这个模型可以是NN也可以是真的人类专家），针对实际场景中超出模仿学习采样空间的状态，通过迭代收集模型的状态分布，并用专家动作标注，逐步提升模型在这些状态上的
本文介绍如何在Ubuntu20.04挂载NAS到本地，以将NAS上的感知数据目录/_Software/模块/感知/挂载到本地目录/mnt/nas为例。 首先在你本地/mnt文件目录中新建一个文件夹 sudo mkdir /mnt/nas 然后下载nfs的服务和组件 sudo apt-get inst
最近看了一本很有意思的书，Nicolas P. Rougier的From Python to Numpy。其中有一小节Blue noise sampling，讲的是所谓的面向问题的代码向量化，很有意思，简单记录一下。（当然，向量化的代码可以提升
局域网传数据、交互，交换机延迟是不是比路由器低的多，为什么?
🔐 随机密码生成器 密码长度：
“Lift, Splat, Shoot: Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D” “Uncertainty-Aware CNNs for Depth Completion: Uncert
内参fx可以从镜头焦距F,sensor_width直接计算得到 import cv2
import numpy as np
import matplotlib.pyplot as plt
depth_l = np.load('stereo_pinhole/0000.npy')
depth_r =