啥也不是的py人
啥也不是的py人

pybullet平面抓取算法介绍以及GGCNN网络结构（二）

目录

基于深度学习的平面抓取算法

二指机械手抓取模型

平面抓取：

平面抓取第一种模型

平面抓取第二种模型

平面抓取检测与神经网络结构

端到端

先采样后评估

平面抓取检测数据集

经典平面抓取算法

GGCNN

概述

网络结构 

数据集构建

数据集训练的评判标准

DEX-Ne t2.0

基于深度学习的平面抓取算法

二指机械手抓取模型

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第1张图片 标红字体为任务场景

 

平面抓取：

使机械抓手在x和y轴的转角设置为已知的定值（其实就是设置为初始值）

即roll和pitch为定值

那么剩下的就是获取抓取点的x,y值

以及沿着z轴方向的值

这样就是完整的抓取位姿

也是神经网络实际输出的值

平面抓取第一种模型

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第2张图片

x，y，z是获取的抓取点位姿

\phi表示沿着z轴的转角

w表示机械手张开的角度

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第3张图片

这个就是一个完整的抓取位姿图

 z可以直接输出（抓取高度）

ggcnn实际上输入深度图输出此抓取位姿图

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第4张图片

 dex-net

实际上就是固定抓取宽度w

对深度图采样很多x，y，z，\phi

然后把采样结果输入网络

 网络输出很多个采样结果的预测

选取置信度最高的作为输出结果

平面抓取第二种模型

 x，y是像素里的坐标

\theta表示旋转角

n表示张开宽度

m表示抓取位置的集合或者是夹爪尺寸

 但是第二种抓取模型有很多问题

所以现在一般先进的方法都不用了

平面抓取检测与神经网络结构

端到端

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第5张图片

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第6张图片代表对应抓取位置的成功率

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第7张图片代表对应位置的抓取宽度

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第8张图片代表对应位置的绕z轴旋转角度

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第9张图片

 其实这个跟Fast—RCNN很像

因为也是输出很多框

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第10张图片tx，ty。。。都是框的要素，坐标长宽，旋转角度

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第11张图片graspable+ungraspable=1

 因为是端到端的，所以其实只需要填入数据，贴上标签，得到结果

先采样后评估

这是Dex-net的方案

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第12张图片

 先输入rgbd图像

在图像上采样出多个抓取位姿以及与其对应的图像块

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第13张图片i，j分别是横纵坐标还有\phi角度

抓取宽度是定值

裁剪出以（i，j）为中心点，\phi为旋转角度 的图像块

把图像块和采样出来的抓取深度pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第14张图片

 作为网络输入

因为抓取深度是在cpu里运算的所以比较慢

平面抓取检测数据集

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第15张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第16张图片

 在实验平台也就是白板上

用深度相机拍摄rgbd图像

然后通过rolabelimg（旋转图形框）等软件人工标注出抓取模型

但是人觉得机械臂可以抓起来但是其实不一定可以抓起来

而且由于人的主观性会漏掉抓取位置

cornell下载

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第17张图片clutter下载

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第18张图片

费时费力，效果不好 

 title：learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第19张图片

 

力螺旋理论及力封闭抓取的评价指标_DLUT_Hatim的博客-CSDN博客_力螺旋

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第20张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第21张图片

 首先选取几十个物体

用相机构建完整的三维模型

然后人工标注每个物体的6D位姿

然后开始实验

相机捕捉到一张俯视图

再根据之前的物体建模生成很多3D姿态

再将对应方法生成到对应场景中

经典平面抓取算法

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第22张图片

GGCNN

这是一种端到端的方法来进行抓取

以深度图作为输入

输出一种像素级的抓取位姿

概述

根据抓取的任务来确定网络的设计

根据抓取位姿来对数据集进行相关的标注

方便后续训练

网络结构 

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第23张图片

 针对输入图像上的每一个像素点

以该像素点作为抓取点

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第24张图片输入是300*300

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第25张图片Q，W，\phi也是输出的300*300

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第26张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第27张图片

 通过六个卷积

前三个卷积后面跟了池化来减小计算尺寸

后面三个是反卷积来增加尺寸

使得输出尺寸与输入尺寸相同

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第28张图片

Q实际上就是置信度

 sigmod输出成功概率Q（概率本来就是0-1）

0代表该像素点怎么抓都会失败

filter是一个高斯滤波

是输出更平滑

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第29张图片w是sigmod输出 乘上150

150是一个像素对应现实的长度 

但实际上现实中是有差别的

有很多瑕疵

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第30张图片

 不是通过回归的方式输出

因为如果输出

0-\pi

实际上对抓取来说0和\pi是完全一样的

但在训练中可能导致混乱

转换成三角函数值就能使0和\pi为一个值

避免了混乱

再通过简单的变换把旋转角输出成\pi/2-(-\pi/2)

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第31张图片

 还有一种方法是分类

比如说把180度分类

分成18个类

每个类别10°

然后通过神经网络分类输出是属于哪一类

再将类别输出映射成实际的角度

所以根据网络结构

我们对数据集的标注就应该是

置信度Q，抓取宽度w，抓取角度\phi

标注数据集中，置信度Q其实就是标注了就是1，没标注就是0

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第32张图片

数据集构建

作者实际上借鉴了康奈尔数据集

康纳尔数据集实际上就是矩形框标注

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第33张图片

矩形框中心的1/3的点是位于物体上的

其余区域不是物体上的

 GGCNN的作者就以1/3标注的抓取框中的点作为抓取点

然后直接把矩形框的抓取角设置为GGCNN的抓取角

然后宽度取相同的值

综上就获得了像素级抓取点

就不是离散的矩形框了

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第34张图片

 与像素点对应的抓取位置，抓取宽度，抓取角度

在数据集中对抓取宽度除以150即可

这样后面神经网络会把150乘回来

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第35张图片

 深度的输入

因为康奈尔数据集都是深度图构成的

是实际相机采集的

在训练的时候通过opencv的算法进行补全

减去均值进行归一化

归一化方法_百度百科https://baike.baidu.com/item/%E5%BD%92%E4%B8%80%E5%8C%96%E6%96%B9%E6%B3%95/10089118

数据集训练的评判标准

数据集是有一个评判标准的

这里采用的是iou的评判标准

 pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第36张图片

 因为要输出和输入深度图同尺寸预测 的抓取图

在输出图中选择置信度最高的点

再选取对应这个点的抓取宽度和抓取旋转角度来得到抓取配置

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第37张图片

真实的取自康奈尔数据集

如果预测的抓取角度和真值抓取的差值在30°以内

并且预测的抓取配置构成的矩形框与真实的差距在25%以内

认为是正确的

注意框的宽度不是网络预测输出的

而是直接用的康奈尔数据集，这也是GGCNN的瑕疵之一

 后来也是出了GGCNN2

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第38张图片

 对反卷积层进行了改进

GGCNN方法简单但效果不太好

DEX-Ne t2.0

Dex-Net是先采样后评估的方法

这个方法知名度很高

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第39张图片

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第40张图片每一条线表示一个抓取位姿

线的端点就是两个夹爪的位置

夹爪的闭合方向就是沿线的方向

Dex-Net 1.0 是生成3D物体的6D抓取位姿

Dex-Net 2.0 实际上就是基于Dex-Net 1.0生成这物体的平面抓取位姿

再通过碰撞检测筛选掉碰撞

针对筛选后的位姿

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第41张图片

标注以位姿为中心的矩形框

把矩形框中的深度图像采点出来作为样本

所以样本量很大

因为对一个物体生成了很多平面抓取位姿

获取了很多图像框

把这些图像框作为图像块

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第42张图片

还有对应的抓取深度

 同时作为网络的输入

来预测给定抓取的置信度

方法的本质就是先采样再预测

所以它的速度很慢

采样过程需要耗费很长时间

Dex-Net 算是种先采样再预测做的最后的也是最好的一种方式了

这个方法精度很高

但是速度慢

并且只限于平面抓取

注：

因为数据集是基于仿真环境的，所以为了增加真实性，加了高斯噪声

pybullet平面抓取算法介绍以及GGCNN网络结构（二）_第43张图片

方法是先对原始的深度乘上一个系数

 来模拟实际深度值的可能的一个偏差

然后再加上\epsilon的一个高斯噪声

但实际上真实的深度相机获取的图像可能受光照相机参数等影响

所以高斯噪声不能很好的模拟

注：

所以如果能把仿真图象做得很好的话也是一个非常好的方向

你可能感兴趣的:(#,pybullet,平面)

  • 红队视角出发的k8s敏感信息收集——Kubernetes API 扩展与未授权访问 周周的奇妙编程 kubernetes容器云原生
    针对Kubernetes第三方组件与Operator的详细攻击视角分析，涵盖ServiceMesh、HelmReleases和DatabaseOperators的潜在风险及利用方法。攻击链示例1.攻击者通过未授权的Tiller服务部署恶意HelmChart→2.创建后门Pod并横向移动至Istio控制平面→3.提取Envoy配置发现未加密的数据库服务→4.通过MySQLOperator创建管理员账
  • 什么是平面环形无影光源 视觉人机器视觉 杂说平面人工智能计算机视觉c#3d视觉检测
    平面环形无影光源是一种特殊设计的光源，主要用于消除阴影，提供均匀照明，常见于摄影、显微镜、工业检测等领域。以下是其关键特点和应用：关键特点环形设计：光源呈环形，光线从四周均匀照射，减少阴影。无影效果：多角度光线叠加，有效消除阴影，适合高精度应用。均匀照明：光线分布均匀，避免局部过亮或过暗。可调光强：通常支持亮度调节，适应不同需求。多种光源：可选LED、卤素灯等，LED因节能、寿命长而常用。应用领域
  • 伽马函数的极点及相关性质 正是读书时 知识点机器学习算法线性代数
    伽马函数（Gammafunction），记作\(\Gamma(z)\)，是一个重要的特殊函数，广泛应用于数学、物理学和工程学。它是阶乘函数的推广，定义在复数域上。本文将详细介绍伽马函数的极点及其其他重要性质。一.伽马函数的定义伽马函数的积分定义为：\[\Gamma(z)=\int_0^\inftyt^{z-1}e^{-t}\,dt\]这个定义在复平面上除了非正整数点以外的所有地方都有效。二.伽马函
  • SolidWorks速成教程P3-3【零件 | 第三节】——草图绘制面&实线与构造线的区别 阿齐Archie SolidWorks速成教程3dSolidWorks
    经过了前面的特征学习后，是不是感觉对SolidWorks越来越熟悉了？不过发现，SolidWorks速成这套教程，对于一些基础问题，还是需要解释得更详细一些，所以在这节再补充一下草图绘制面&实线与构造线的区别。目录1.草图绘制面2.实线与构造线的区别1.草图绘制面之前绘制的草图，我们要么绘制在基准面上，要么绘制在实体的表面上。这两种面都有同样的特性，它们都有确定的位置，还有它们都是平面。先说说这第
  • postgresql数据类型 eryou_979 数据库postgresql数据结构
    数据类型Name别名描述bigintint8有符号八字节整数bigserialserial8自增八字节整数bit[(n)]定长位串bitvarying[(n)]varbit[(n)]变长位串booleanbool逻辑布尔值（真/假）box平面上的长方形盒子bytea二进制数据（“字节数组”）character[(n)]char[(n)]定长字符串，不足补空格charactervarying[(n)
  • Kubernetes 访问集群 API 的方法 深度视觉机器 Kuberneteskubernetes容器云原生
    必须拥有一个Kubernetes的集群，同时你必须配置kubectl命令行工具与你的集群通信。建议在至少有两个不作为控制平面主机的节点的集群上运行本教程。如果你还没有集群，你可以通过Minikube构建一个你自己的集群，或者你可以使用下面的Kubernetes练习环境之一：Killercoda玩转Kubernetes要获知版本信息，请输入kubectlversion.一、访问KubernetesA
  • Intersects of 3 planes barbara2008 n2
    planeoneπ1，plane2π2,plane3π2,三个平面以以下方式组合：1。三个平面平行，那么它们中的任意两个法向量的叉积为0，其中有重合，分离等情形2。两个平面平行，第三个平面和另外两个相交。3。任意两个都不平行，它们交于三条直线，或者交于一点。或者交于一条直线（平面束）。N1,N2,N3,分别为三个平面的法向量N1·p=d1N2·P=d2N3·p=d3三个向量向量分别和三元组的内积为
  • 热电偶的采样电路与热电阻pt100的采样电路 吉孟雷 sensor模拟硬件热电偶RTDPT100温度采集
    一、热电偶采样电路1采样放大电路下图为之前拆过的一个西门子温度模块相关的采样电路，乍一看这个电路有不知道从哪里下手分析，这也不像我们熟悉的同向或者反向电路，也没有参考的地，电路结构肯定是没有错的，西门子温度模块里的采样电路，这样做肯定有它的道理。图：热电偶采样放大电路下面我们把上面的电路简化一下，其实也很简单啊，原来只是把同向放大电路的地改成了基准，这样做的好处是避免地平面上的噪声的影响，毕竟热电
  • 普通屏幕已过时？裸眼3D屏幕显示效果更胜一筹！ 振邦视界 科技3d
    随着多媒体技术的迅猛进步，我们日常生活中的内容展现方式，已经经历了前所未有的变革。在这其中，裸眼3D屏幕的应用，无疑是最为引人注目的亮点，它相较于传统屏幕，在显示效果上展现出了鲜明的优势，不仅为观众带来了全新的视觉盛宴，更在沉浸感和交互性上实现了质的飞跃。那么，这两种屏幕技术之间究竟隐藏着怎样的差异呢？一、立体画面传统的屏幕显示内容主要停留在平面效果上，若想要实现3D的立体视觉，观众通常需佩戴3D
  • Adobe软件全家桶：从平面到视频再到音频的创意之旅 垚哥说 平面音视频uiadobe
    在创意设计的广阔天地里，Adobe公司旗下的系列软件无疑是设计师们手中的魔法棒，它们串联起平面设计、视频剪辑直至音频处理的每一个环节，成为跨越视觉创意门槛的必备工具集。本文将深入浅出地介绍这些软件的应用场景、特色功能及其相互间的协作关系，助力您在创意道路上畅通无阻。AdobePhotoshop(PS)-图像处理大师作为Adobe的明星产品，Photoshop几乎是图像处理的代名词。它擅长处理像素构
  • 逻辑回归不能解决非线性问题，而svm可以解决 江河地笑 机器学习逻辑回归支持向量机算法
    逻辑回归和支持向量机（SVM）是两种常用的分类算法，它们在处理数据时有一些不同的特点，特别是在面对非线性问题时。1.逻辑回归逻辑回归本质上是一个线性分类模型。它的目的是寻找一个最适合数据的直线（或超平面），用来将不同类别的数据分开。它的分类决策是基于输入特征的加权和，即：由于逻辑回归是线性模型，因此它只能在数据集是线性可分的情况下表现良好。如果数据的分布是非线性的，逻辑回归可能无法有效地分类，因为
  • matlab环面,基于Matlab和UG8.0一次包络环面蜗杆建模方法研究 weixin_39633276 matlab环面
    平面包络环面蜗杆传动具有多齿啮合、承载能力强,传动比大、寿命长、传动平稳等特点,已在工业领域发挥着举足轻重的作用[1]。查阅相关论文,孙昌佑文章提到应用VBA二次开发环境编程,在MAT6.0中运行程序,完成环面蜗杆螺旋线的建立[2];张彦钦基于UG-GRIP平台,开发平面包络环面蜗杆传动参数化实体建模系统[3]。以上他们所提到的建模方式,操作比较复杂,得到模型精度不高。本文将利用Matlab软件,
  • 双目立体视觉（1） 2501_90596733 双目立体视觉人工智能计算机视觉
    1.背景计算机视觉技术，是以摄像头作为传感器来获取二维图像数据，并依靠计算机运用各类算法对这些图像数据展开处理。依据所采用视觉传感器数量的差异，可分为单目、双目以及多目视觉这几类。单目视觉依赖单摄像头获取二维平面图像，在知晓物体实际尺寸的前提下，结合相机成像模型能够计算出距离，但这种单一的2D图像在深度感知能力上存在局限，且较易受到动态背景的干扰，通常被应用于缺陷检测、目标识别等相关领域。多目视觉
  • Kubernetes集群架构 qichengzong_right linux云原生kuberneteslinux云原生kubernetes
    Kubernetes集群架构Kubernetes集群架构控制平面组件kube-apiserveretcdkube-schedulerkube-controller-managercloud-controller-manager节点组件kubeletkebe-proxy（可选）容器运行时插件DNSWebUI（Dashboard）容器资源监控集群级日志输出网络插件架构变体控制平面部署选项工作负载调度说
  • VertexList（顶点列表）里的 normal（法线） 云缘若仙 directx123ddirectx123d
    含义在三维空间里，每个顶点的法线是一个单位向量（长度为1），它垂直于该顶点所在的表面。对于平面来说，平面上所有顶点的法线方向是相同的；而对于曲面，每个顶点的法线方向通常会根据曲面的局部几何形状而有所不同。作用1.光照计算光照计算是法线最主要的应用场景之一。在大多数光照模型（如Phong光照模型、Blinn-Phong光照模型等）中，法线用于确定光线与物体表面的夹角，从而计算出该点的光照强度。漫反射
  • 传统网络架构与SDN架构对比 犀思云 SDN网络融合网络传统网络
    传统网络采用分布式控制，每台设备独立控制且管理耗时耗力，扩展困难，按OSI模型分层，成本高、业务部署慢、安全性欠佳且开放性不足。而SDN架构将控制平面集中到控制器，数据转发由交换机负责，可统一管理提高效率降低出错率，扩展简单，从更高层次控制网络，降低成本提升运维效率，加速业务创新，提供动态智能安全机制，具有开放性和标准化。传统网络与SDN网络在企业应用场景的价值对比更多具体区别如下01、控制方式传
  • K8s—使用教程 测试开发abbey 运维—云原生
    目录什么是Kubernetes？Kubernetes的主要对象Kubernetes的特征Kubernetes体系结构主节点（控制平面）从节点（工人节点）Linux安装Kubernetes什么是Kubernetes？Kubernetes也被称为”k8s”。这个词来自希腊语,意思是飞行员或舵手。Kubernetes是Google在2014年设计的可扩展、可移植的开源平台。它主要用于在节点集群中自动执行
  • VPP/软件架构 lingshengxiyou DPDKc++linux开发语言linuxc++服务器网络
    一、源码目录（Directorylayout）二、源码分类（Implemetationtaxonomy）vpp数据平面分为四个不同的层：基础架构层：包括vppinfra，vlib，svm和二进制api库。源码：/src/{vppinfra,vlib,svm,vlibapi,vlibmemory}通用网络协议栈层：vnet。源码：/src/vnet应用程序shell：vpp。源码：/src/vpp日
  • 汇总：所有你该知道的AR/VR/3D技术与发展 weixin_33736048
    3D和“全息影像”这些词听得大家耳朵都起茧了。从松下在2010年发布首个3D电视系统起，到现在的虚拟现实和增强现实技术，这些词已经融入到我们的流行文化中，越来越成为我们所关注的焦点。毕竟现实世界是立体的，我们又何必把自己的体验限制在平面的屏幕上呢?从2D过渡到3D是一个自然的过程，正如上世纪50年代的时候，黑白电影和黑白电视转变为彩色一样。但是在很多方面来看，从2D到3D带来的影响或许会更大。3D
  • 服务网格（Service Mesh）在LLM应用架构中的应用 AI天才研究院 ChatGPT计算DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
    文章关键词服务网格、LLM应用架构、微服务通信、控制平面、数据平面、性能优化、安全性摘要本文深入探讨了服务网格在大型语言模型（LLM）应用架构中的关键作用。首先，我们将回顾服务网格的基础概念，包括其背景与意义，以及基本概念和组件。接着，文章将详细解释服务网格的工作原理，如通信模型和数据平面与控制平面的交互。本文还将探讨几种主要的服务网格技术，如Istio和Linkerd，并提供选型指南。随后，文章
  • 蓝桥杯C语言组：计算几何问题研究 暮雨哀尘 蓝桥杯C语言蓝桥杯计算几何问题凸包问题c++C语言算法函数
    蓝桥杯C语言组计算几何问题研究摘要计算几何是蓝桥杯C语言组竞赛中的重要题型之一，涉及平面几何、向量运算、几何图形的性质等多个方面。本文对蓝桥杯C语言组中的计算几何题型进行了系统分类与分析，总结了各类题型的解题思路与方法，并结合具体例题进行详细解析，旨在为参赛选手提供系统的理论指导和实践参考。一、引言蓝桥杯全国软件和信息技术专业人才大赛是国内知名的软件类竞赛，其中的算法设计部分对参赛者的编程能力和数
  • 开源项目推荐：Racecar Gym——探索无人驾驶赛车的无限可能 周琰策Scott
    开源项目推荐：RacecarGym——探索无人驾驶赛车的无限可能去发现同类优质开源项目:https://gitcode.com/项目介绍在人工智能与自动化领域持续创新的时代背景下，RacecarGym以其独特的设计理念和强大的功能脱颖而出，成为无人驾驶赛车模拟器中的佼佼者。该项目基于Bullet物理引擎构建，并通过PyBullet接口实现，为开发者提供了一个高度逼真且灵活可定制的赛车环境。无论是进
  • 机器学习数学基础：18.向量组及其线性组合 @心都 机器学习数学基础机器学习概率论线性代数
    向量组与线性表示：案例与教程详解一、基础概念（一）向量组向量组是若干同位数列向量组成的集合。比如在平面直角坐标系中，向量组{α⃗1=[10],α⃗2=[01]}\{\vec{\alpha}_1\=\begin{bmatrix}1\\0\end{bmatrix},\vec{\alpha}_2\=\begin{bmatrix}0\\1\end{bmatrix}\}{α1=[10],α2=[01]}，这
  • 【Python】将不规则凸多边形映射到单位正方形 辰尘_星启 python开发语言算法映射数学
    写在前面在机器学习领域常需要将数据归一化后才能进行训练等操作，一维数据很容易处理，但对于二维的不规则数据，则需要一些手段，本文就是用来解决这个问题此外，有时候希望可以用循环遍历一个不规则的二维平面，显然难以直接实现，此时将该平面映射到一个规则的矩形范围内，就能轻松实现这个目标整体思路利用同心映射将(u,v)映射到单位圆内的点(x_disk,y_disk)；计算该点的极坐标(r,θ)；计算从多边形质
  • 第11章《VTK图像处理》 《雨声》 VTK小白入门图像处理qt数据库开发语言算法c++
    在VTK中，2D图像处理主要涉及图像过滤、变换、渲染等内容。VTK通过vtkImageData处理2D图像，并提供了一系列的图像处理算法，如平滑、边缘检测、形态学操作等。1.VTK2D图像数据结构VTK主要使用vtkImageData存储2D图像：像素存储方式：2D图像通常是vtkImageData的一个XY平面（Z维度固定）。数据类型：支持unsignedchar（灰度/彩色）、float（医学
  • 【Unity Urp】实现Billboard广告牌效果详解 DoorToZen unity游戏引擎
    Billboard广告牌什么是BillboardBillboard是一种图形技术，用于使二维平面对象（如纹理）始终面向摄像机，从而在三维场景中实现“始终朝向玩家”或“始终正面显示”的效果。这种效果在游戏开发和可视化中广泛应用于显示树木、云朵、UI元素、敌人血条等，使其看起来总是正对着摄像机，即便摄像机移动或旋转。Billboard使用场景Billboard技术在以下场景中经常被应用：自然环境：例如
  • 如何用电脑画平面坐标图_如何画平面直角坐标系 郁林成森 如何用电脑画平面坐标图
    在几何画板中，其自带的自定义工具下包含了许多已经做好的工具，绘图时灵活使用它们，便能省去大量时间。鼠标按住左侧自定义工具图标不放，会出现几个坐标系自定义工具，下面小编给大家来介绍下这几个坐标系工具，讲解利用几何画板画平面直角坐标系方法。方法一使用新新坐标系工具步骤一打开几何画板绘图工具后，用鼠标左键按住“自定义工具”右下角三角形箭头，屏幕上出现自定义工具菜单，鼠标左键按住“新新坐标系工具”，屏幕上
  • 流式学习(简易版) 想成为配环境大佬 论文学习信息可视化python
    最近读论文看到了这个概念，感觉还挺有意思的流形(Manifold)广泛应用于多个领域，如几何学、物理学、机器学习等。流形本质上是一个局部类似于欧几里得空间的空间，即它在某些尺度下看起来像我们熟悉的平面或曲面，但整体结构可能是复杂的。简单来说，你可以把流形想象成一个“弯曲的”空间，在局部上看起来像我们熟悉的平面，但全局上可能是弯曲或折叠的。流形学习（ManifoldLearning）是一种用于降维（
  • 【Docker项目实战】使用Docker部署Typemill轻量级平面文件CMS 江湖有缘 Docker部署项目实战合集docker平面容器
    【Docker项目实战】使用Docker部署Typemill轻量级平面文件CMS一、Typemill介绍1.1Typemill简介1.2主要特点1.3主要使用场景二、本次实践规划2.1本地环境规划2.2本次实践介绍三、本地环境检查3.1检查Docker服务状态3.2检查Docker版本3.3检查dockercompose版本四、下载Typemill镜像五、部署Typemill应用5.1创建部署目录
  • scikit-learn实现SVM PeterClerk 支持向量机scikit-learn算法
    支持向量机（SVM）是一种监督学习算法，主要用于分类和回归分析。其基本原理是在数据集中找到一个最优的超平面，使得不同类别的数据被最大间隔分开。最大间隔超平面：SVM的目标是找到能够最大化训练样本间隔的超平面。间隔被定义为到最近训练样本点的距离，这些点被称为支持向量。这种策略的优势在于它提供了一种防止模型过拟合的方法，从而提高了泛化能力。核技巧：在实际应用中，许多数据集不是线性可分的，这就需要使用核
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIPHPandroidlinux
    ╔-----------------------------------╗┆                           
  • 各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 bozch .net.net mvc
    在.net mvc5中，在执行某一操作的时候，出现了如下错误：       各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 经查询当前的操作与错误内容无关，经过对错误信息的排查发现，事故出现在数据库迁移上。 回想过去： 在迁移之前已经对数据库进行了添加字段操作，再次进行迁移插入XXX字段的时候，就会提示如上错误。  &
  • Java 对象大小的计算 e200702084 java
                              Java对象的大小 如何计算一个对象的大小呢？    
  • Mybatis Spring 171815164 mybatis
    ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); CustomerService userService = (CustomerService) ac.getBean("customerService"); Customer cust
  • JVM 不稳定参数 g21121 jvm
            -XX 参数被称为不稳定参数，之所以这么叫是因为此类参数的设置很容易引起JVM 性能上的差异，使JVM 存在极大的不稳定性。当然这是在非合理设置的前提下，如果此类参数设置合理讲大大提高JVM 的性能及稳定性。        可以说“不稳定参数”
  • 用户自动登录网站 永夜-极光 用户
    1.目标:实现用户登录后,再次登录就自动登录,无需用户名和密码 2.思路:将用户的信息保存为cookie            每次用户访问网站,通过filter拦截所有请求,在filter中读取所有的cookie,如果找到了保存登录信息的cookie,那么在cookie中读取登录信息,然后直接
  • centos7 安装后失去win7的引导记录 程序员是怎么炼成的 操作系统
    1.使用root身份(必须)打开 /boot/grub2/grub.cfg 2.找到 ### BEGIN /etc/grub.d/30_os-prober ###   在后面添加    menuentry "Windows 7 (loader) (on /dev/sda1)" { 
  • Oracle 10g 官方中文安装帮助文档以及Oracle官方中文教程文档下载 aijuans oracle
    Oracle 10g 官方中文安装帮助文档下载：http://download.csdn.net/tag/Oracle%E4%B8%AD%E6%96%87API%EF%BC%8COracle%E4%B8%AD%E6%96%87%E6%96%87%E6%A1%A3%EF%BC%8Coracle%E5%AD%A6%E4%B9%A0%E6%96%87%E6%A1%A3 Oracle 10g 官方中文教程
  • JavaEE开源快速开发平台G4Studio_V3.2发布了 無為子 AOPoraclemysqljavaeeG4Studio
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V3.2版本已经正式发布。大家可以通过如下地址下载。   访问G4Studio网站 http://www.g4it.org   G4Studio_V3.2版本变更日志 功能新增 (1).新增了系统右下角滑出提示窗口功能。 (2).新增了文件资源的Zip压缩和解压缩
  • Oracle常用的单行函数应用技巧总结 百合不是茶 日期函数转换函数(核心)数字函数通用函数(核心)字符函数
    单行函数;   字符函数,数字函数,日期函数,转换函数(核心),通用函数(核心) 一:字符函数: .UPPER(字符串) 将字符串转为大写 .LOWER (字符串) 将字符串转为小写 .INITCAP(字符串) 将首字母大写 .LENGTH (字符串) 字符串的长度 .REPLACE(字符串,'A','_') 将字符串字符A转换成_
  • Mockito异常测试实例 bijian1013 java单元测试mockito
    Mockito异常测试实例： package com.bijian.study; import static org.mockito.Mockito.mock; import static org.mockito.Mockito.when; import org.junit.Assert; import org.junit.Test; import org.mockito.
  • GA与量子恒道统计 Bill_chen JavaScript浏览器百度Google防火墙
    前一阵子，统计**网址时，Google Analytics（GA） 和量子恒道统计（也称量子统计），数据有较大的偏差，仔细找相关资料研究了下，总结如下：   为何GA和量子网站统计（量子统计前身为雅虎统计）结果不同？ 首先：没有一种网站统计工具能保证百分之百的准确出现该问题可能有以下几个原因：（1）不同的统计分析系统的算法机制不同；（2）统计代码放置的位置和前后
  • 【Linux命令三】Top命令 bit1129 linux命令
    Linux的Top命令类似于Windows的任务管理器，可以查看当前系统的运行情况，包括CPU、内存的使用情况等。如下是一个Top命令的执行结果：     top - 21:22:04 up 1 day, 23:49, 1 user, load average: 1.10, 1.66, 1.99 Tasks: 202 total, 4 running, 198 sl
  • spring四种依赖注入方式 白糖_ spring
      平常的java开发中，程序员在某个类中需要依赖其它类的方法，则通常是new一个依赖类再调用类实例的方法，这种开发存在的问题是new的类实例不好统一管理，spring提出了依赖注入的思想，即依赖类不由程序员实例化，而是通过spring容器帮我们new指定实例并且将实例注入到需要该对象的类中。依赖注入的另一种说法是“控制反转”，通俗的理解是：平常我们new一个实例，这个实例的控制权是我
  • angular.injector boyitech AngularJSAngularJS API
    angular.injector   描述: 创建一个injector对象, 调用injector对象的方法可以获得angular的service, 或者用来做依赖注入.   使用方法: angular.injector(modules, [strictDi])   参数详解: Param Type Details mod
  • java-同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待 bylijinnan Integer
    public class PC { /** * 题目：生产者-消费者。 * 同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待。 */ private static final Integer[] val=new Integer[10]; private static
  • 使用Struts2.2.1配置 Chen.H apachespringWebxmlstruts
    Struts2.2.1 需要如下 jar包: commons-fileupload-1.2.1.jar commons-io-1.3.2.jar commons-logging-1.0.4.jar freemarker-2.3.16.jar javassist-3.7.ga.jar ognl-3.0.jar spring.jar struts2-core-2.2.1.jar struts2-sp
  • [职业与教育]青春之歌 comsci 教育
           每个人都有自己的青春之歌............但是我要说的却不是青春...        大家如果在自己的职业生涯没有给自己以后创业留一点点机会,仅仅凭学历和人脉关系,是难以在竞争激烈的市场中生存下去的....   &nbs
  • oracle连接(join)中使用using关键字 daizj JOINoraclesqlusing
    在oracle连接(join)中使用using关键字 34. View the Exhibit and examine the structure of the ORDERS and ORDER_ITEMS tables. Evaluate the following SQL statement: SELECT oi.order_id, product_id, order_date FRO
  • NIO示例 daysinsun nio
    NIO服务端代码： public class NIOServer { private Selector selector; public void startServer(int port) throws IOException { ServerSocketChannel serverChannel = ServerSocketChannel.open(
  • C语言学习homework1 dcj3sjt126com chomework
    0、 课堂练习做完 1、使用sizeof计算出你所知道的所有的类型占用的空间。 int x; sizeof(x);   sizeof(int);   # include <stdio.h> int main(void) { int x1; char x2; double x3; float x4; printf(&quo
  • select in order by , mysql排序 dcj3sjt126com mysql
    If i select like this: SELECT id FROM users WHERE id IN(3,4,8,1); This by default will select users in this order 1,3,4,8, I would like to select them in the same order that i put IN() values so:
  • 页面校验-新建项目 fanxiaolong 页面校验
    $(document).ready( function() { var flag = true; $('#changeform').submit(function() { var projectScValNull = true; var s =""; var parent_id = $("#parent_id").v
  • Ehcache（02）——ehcache.xml简介 234390216 ehcacheehcache.xml简介
    ehcache.xml简介          ehcache.xml文件是用来定义Ehcache的配置信息的，更准确的来说它是定义CacheManager的配置信息的。根据之前我们在《Ehcache简介》一文中对CacheManager的介绍我们知道一切Ehcache的应用都是从CacheManager开始的。在不指定配置信
  • junit 4.11中三个新功能 jackyrong java
    junit 4.11中两个新增的功能，首先是注解中可以参数化，比如 import static org.junit.Assert.assertEquals; import java.util.Arrays; import org.junit.Test; import org.junit.runner.RunWith; import org.junit.runn
  • 国外程序员爱用苹果Mac电脑的10大理由 php教程分享 windowsPHPunixMicrosoftperl
    Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。那么为什么专业人士也对 Mac 情有独钟呢？从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的 这一点太重要了，尤其是对开发人员，至少对于我来说很重要，这意味着Unix 下一堆好用的工具都可以随手捡到。如果你是个 wi
  • 位运算、异或的实际应用 wenjinglian 位运算
    一． 位操作基础，用一张表描述位操作符的应用规则并详细解释。       二． 常用位操作小技巧，有判断奇偶、交换两数、变换符号、求绝对值。       三． 位操作与空间压缩，针对筛素数进行空间压缩。    &n
  • weblogic部署项目出现的一些问题（持续补充中……） Everyday都不同 weblogic部署失败
    好吧，weblogic的问题确实……   问题一： org.springframework.beans.factory.BeanDefinitionStoreException: Failed to read candidate component class: URL [zip:E:/weblogic/user_projects/domains/base_domain/serve
  • tomcat7性能调优（01） toknowme tomcat7
        Tomcat优化： 1、最大连接数最大线程等设置 <Connector port="8082" protocol="HTTP/1.1"                useBodyEncodingForURI="t
  • PO VO DAO DTO BO TO概念与区别 xp9802 javaDAO设计模式bean领域模型
    O/R Mapping 是 Object Relational Mapping（对象关系映射）的缩写。通俗点讲，就是将对象与关系数据库绑定，用对象来表示关系数据。在O/R Mapping的世界里，有两个基本的也是重要的东东需要了解，即VO，PO。 它们的关系应该是相互独立的，一个VO可以只是PO的部分，也可以是多个PO构成，同样也可以等同于一个PO（指的是他们的属性）。这样，PO独立出来，数据持
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他