所以对于计算几何，图像处理，gps原理，计算机视觉，点云，slam，导航原理，模式识别，等进行全面学习。当然，也要把ue继续进行着。ue的rpg和底层渲染。

20卫星导航定位（p3），ue4rpg(p167),ue5底层渲染（04A07）socket(2-80),计算几何01A18：30–19:40数字图像处理（p1）,机器视觉（p2），模式识别(p1)，点云

文章目录一、前言二、代码目录三、代码解读3.1、文件描述3.2、代码框架四、关联矩阵计算4.1、ComputeLocationDistance4.2、ComputeDirectionDistance4.3、ComputeBboxSizeDistance4.4、ComputePointNumDistance4.5、ComputePointNumDistance4.6、result_distance五

【论文阅读笔记】分钟级别的高质量文本到3D角色生成AbstractIntroductionMethodLL/VM解析人脸面部属性并生成根据密集地标重建face/head形状几何生成纹理生成纹理提取漫反射反照率

WURSTCHEN：用于大规模文本到图像扩散模型的高效架构摘要贡献方法训练推理实验结论附录附录A附录B附录C附录D附录E这篇文章提出了一个高效的用于文本到图像生成模型架构，整体思路比较直白，在不损失图像生成质量的情况下，相比于现有T2I模型（SD1.4，SD2.1等）大大节约了成本。附录部分给了一些有趣的东西，比如FID的鲁棒性整篇文章还有点疑惑，比如阶段B的训练，使用的模型；节省成本主要是在说C

Advancesin3DGeneration:ASurvey挖个坑，近期填完摘要time：2024年1月31日paper：arxiv机构：腾讯挖个坑，近期填完摘要生成3D模型位于计算机图形学的核心，一直是几十年研究的重点。随着高级神经表示和生成模型的出现，3D内容生成领域发展迅速，能够创建越来越高质量和多样化的3D模型。该领域的快速增长使得很难跟上所有最近的发展。在本次调查中，我们旨在介绍3D生成

论文标题：ASelf-OptimizedGenericWorkloadPredictionFrameworkforCloudComputing概述准确地预测未来的工作负载，如作业到达率和用户请求率，对于云计算中的资源管理和弹性非常关键。然而，设计一个通用的工作负载预测器，并使其适用于各种类型的工作负载，具有很大的挑战性，因为工作负载的种类繁多且随着时间动态变化。由于这些挑战，现有的工作负载预测器通

目录2.3.2硬件系统连接2.4软件系统（SoftwareSystem）2.56-DOF抓取位姿表示（6-DOFGraspPoseRepresentation）

Text-to-SQLEmpoweredbyLargeLanguageModels:ABenchmarkEvaluation大语言模型助力Text-to-SQL：一项基准评估DaweiGao∗[email protected]∗[email protected]

SCI论文写作训练营笔记汇总02_英文科技论文阅读与解析持续创作，加速成长！

论文地址：https://arxiv.org/pdf/2312.05799v1.pdf源码地址：https://github.com/yanzq95/SGNet概述  深度图的图像引导超分辨率在各个领域有着广泛的应用。但是，复杂的成像环境会导致深度图的结构边缘变得模糊。如图2所示，从梯度图可以看出，它能够很好地表现出图像的结构信息。从频谱图可以看出，高分辨率的深度图和RGB图像都包含了丰富的高频和

点云数据标注是三维计算机视觉领域中重要的一环，专门用于为点云数据添加语义信息，以便进行后续的机器学习和深度学习处理。

论文arxiv.org/pdf/2306.06894.pdfhttps://arxiv.org/pdf/2306.06894.pdf代码（使用的是华为mindspore框架）Shuijing2018/GLAC_Mindspore(github.com)https://github.com/Shuijing2018/GLAC_Mindspore最近的一项研究表明，通过利用未标记数据，可以在类别转移条

1、OpenDroneMapODM是一个基于航空影像的三维重建集成工具箱，利用多幅航空影像恢复相机姿态和3D场景，可以生产点云、三维贴图模型、正射影像、数字表面模型、数字高程模型等，提供Web接口，支持

Paper:Transformer-XL:AttentiveLanguageModelsBeyondaFixed-LengthContext重点关注论文中的相对位置编码及提高融合了相对位置信息的attentionscore的计算效率的部分。AbstractTransformer具有学习长依赖的能力，但受限于语言模型固定长度上下文的限定。本文提出的Transformer-XL神经网络架构可以在不打破

OkunoA,HadaT,ShimodairaH.Aprobabilisticframeworkformulti-viewfeaturelearningwithmany-to-manyassociationsvianeuralnetworks[C]//InternationalConferenceonMachineLearning.PMLR,2018:3888-3897.预备知识这部分主要是为了介

内外参先进行合并，得到点云坐标系到像素坐标系的4*4仿射变换矩阵transform_matrix_list=[]forcincamera_config:#外参，4*4矩阵c_e

Avisualizedhuman-computerinteractiveapproachtojobshopscheduling作者：DongH.Baek、SangY.OH、WanC.Yoon期刊：COMPUTERINTEGRATEDMANUFACTURING、1999网络资源：Avisualizedhuman-computerinteractiveapproachtojobshopscheduli

TimeSeriesContrastiveLearningwithInformation-AwareAugmentations摘要背景：在近年来，已经有许多对比学习方法被提出，并在实证上取得了显著的成功。尽管对比学习在图像和语言领域非常有效和普遍，但在时间序列数据上的应用相对较少。对比学习的关键组成部分：对比学习的一个关键组成部分是选择适当的数据增强（augmentation）方式，通过施加一些先

文章目录引言：什么是新视角合成任务定义一般步骤NeRF的做法NeRF的三维重建NeRF的渲染3DGS的三维重建从一组图片估计点云高斯点云模型球谐函数参数优化损失函数和协方差矩阵的优化高斯点的数量控制(AdaptiveDensityControl

其基本原理是：一：首先从SfM校准的图像及其对应的稀疏点云中提取出场景信息。解析：1.SfM校准的图像是指通过StructurefromMotion(SfM

来源：知网《编码结构光投影双目视觉三维测量技术研究》_肖亮主要理解文章中双目结构光系统的测量原理，主要包括投影图案的编码解码技术、参数标定以及点云的生成与融合拼接。

主要介绍点云地图转换成八叉树地图的流程将点云数据转换为八叉树结构的地图通常涉及以下步骤：1.定义根节点：首先定义一个大的立方体节点作为八叉树的根节点，这个立方体需要足够大，以便包含所有的点云数据。

本文是对Transformer-Attentionisallyouneed论文阅读-CSDN博客以及【李宏毅机器学习】Transformer内容补充-CSDN博客的补充，是对相关代码的理解。

经典三维重建系统包括整个pipeline从相机标定、基础矩阵与本质矩阵估计、特征匹配到运动恢复结构（SFM），从SFM到稠密点云重建、表面重建、纹理贴图。

使用LivoxSDK2，用户可以快速连接到Livox激光雷达并接收点云数据。LivoxSDK2由LivoxSDK2核心代码、LivoxSDK2API和三个示例组成。

ANewApproachtoLaserScanMatching(FromIEEE)参考：https://www.cnblogs.com/21207-iHome/p/8039741.htmlNDT是基于栅格化地图的算法，主要算法思路：基于2D场景将参考帧点云地图分为一个个小块

目录1代码实践1.1文件目录：1.2编译运行2icp匹配相关函数解析2.1getFitnessScore()函数2.2setMaxCorrespondenceDistance()函数2.3setMaximumIterations()函数2.4setTransformationEpsilon()函数2.5setEuclideanFitnessEpsilon()函数参考链接：1代码实践（注：基于ubu

这个算法用于计算两个点云之间的最佳对齐（即找到一个刚体变换，使得一个点云尽可能接近另一个点云）。以下是这个类的一些常用函数和它们的用法：setInputSource用于设置源点云（要对齐的点云）。

介绍具身智能可粗略定义为，智能体（可以是生物或机械），通过与环境产生交互后，通过自身的学习，产生对于客观世界的理解和改造能力。具身智能假设，智能行为可以被具有对应形态的智能体通过适应环境的方式学习到。因此，地球上所有的生物，都可以说是具身智能。但就目前而言，具身智能是将视觉、语言和推理等传统智能概念融入人工智能体中，以帮助解决虚拟环境中的人工智能问题。具身智能模拟器具身智能模拟器具身AI模拟器概述

所以又重新学习了了qt，vs2015，vtk8.0.0编译，编译完成之后可以结合qt强大的可视化模块，对点云库pcl进行学习和开发。1.安装前的准备1.qt5.9.1安装安装包位置：htt

论文：MapReduce:SimplifiedDataProcessingonLargeClustersJeffreyDeanandSanjayGhemawatGooglehttps://pdos.csail.mit.edu/6.824/papers/mapreduce.pdfMapReduce是一种分布式系统中处理大数据方法。他提出是在2004，jeffdean和SanjayGhemawat的作

论文名称：MapReduce:SimplifiedDataProcessingonLargeClusters翻译的效果不是很好，有空再看一遍，参照一下别人翻译的。MapReduce:SimplifiedDataProcessingonLargeClusters中文翻译版(转)-阿洒-博客园(cnblogs.com)概要MapReduce是一种处理和生成大数据集的编程模型和相关实现。用户可以指定一个

一特征选择（featureselection）的简介  我们现在正处在大数据的时代，大量的高维数据在各种领域中无处不在，如社交媒体、医疗保健、生物信息学和在线教育。  当数据挖掘和机器学习算法应用于高维数据时，一个关键问题被称为维数诅咒：数据在高维空间中变得更加稀疏，对为低维空间设计的算法产生不利影响的现象。用一个例子表示就是如果用one-hot编码来对文章进行编码（即一篇文章为一个正交向量），因

奇点云DataKun是大数据集群管理系统，负责企业大数据底层存算及运维，对接并管理离线、实时、图、时序等不同引擎，确保数据能得到高效处理和分析。

业务流程复杂、场景个性化、交易金额大、高度依赖人工的大宗贸易行业也能做到业务实时分析，甚至还能自动化？这样的图景在三年前，只是不太现实的假想。明日控股集团（浙江明日控股集团股份有限公司）IT团队曾坦言：“大宗贸易行业的企业大多比较传统，在产业链里靠上游。通常越靠上游，数字化程度天然越低，转型建设越难。”而在数据中台项目三期落地后，明日控股不仅越过了数据在线化、数据可视化阶段，进而达成了10秒内的业

orz相关文章目录：【论文阅读】StegaStamp:InvisibleHyperlinksinPhysicalPhotographs文章目录前言1.内容简介2.摘要浏览3.图片、表格浏览4.引言浏览自由阅

目录论文使用方法weightdecayMaxNorm如果使用原来的代码报错的可以看下面这个论文问题：真实世界中普遍存在长尾识别问题，朴素训练产生的模型在更高准确率方面偏向于普通类，导致稀有的类别准确率偏低。key:解决LTR的关键是平衡各方面，包括数据分布、训练损失和学习中的梯度。文章主要讨论了三种方法：L2normalization,weightdecay,andMaxNorm本文提出了一个两阶

目录一、Article:文献出处（方便再次搜索）（1）作者（2）文献题目（3）文献时间（4）引用二、Data:文献数据（总结归纳，方便理解）（1）背景介绍（2）目的（3）预置知识（4）主要实现手段4.1overview4.2MPGraph的工作流程4.3阶段转换检测器PhaseTransitionDetector4.4多模态访存预测器Phase-SpecificMulti-ModalityPred

论文题目：:Semi-supervisedSmallAppleDetectioninOrchardEnvironments项目链接：https://www.inf.uni-hamburg.de/en/inst/ab/cv/people/wilms/mad.html摘要（Abstract）农作物检测是自动估产或水果采摘等精准农业应用不可或缺的一部分。然而，由于缺乏大规模数据集以及图像中农作物的相对尺

论文题目：ASF-YOLO:AnovelYOLOmodelwithattentionalscalesequencefusionforcellinstancesegmentation论文链接：https://arxiv.org/abs/2312.06458代码链接：https://github.com/mkang315/ASF-YOLO摘要（Abstract）作者提出了一种新颖的基于"YouOnly

文章目录什么是高可用架构什么是负载均衡负载均衡设备硬件负载均衡的代表产品软件负载均衡的代表产品负载均衡基于OSI模型分层负载均衡在网络层负载均衡在传输层负载均衡在应用层优先考虑负载均衡的场景硬件负载均衡的缺点云负载均衡正在成为最佳选择企业数字化转型对负载均衡的需求什么是高可用架构

上午除了上课，主要是听一个关于议论文阅读的讲座，讲得很用心。感

该系统旨在处理点云数据集。点云数据集通常由3D扫描仪创建，该扫描仪测量目标对象表面上的大量点，然后输出表示对象可见表面的数据文件。

文章目录前言1.安装宝塔2.安装cpolar内网穿透3.远程访问宝塔4.固定http地址5.配置二级子域名6.测试访问二级子域名转载自cpolar极点云文章：Linux安装宝塔，并实现公网远程登录宝塔面板

前言本文在Ubuntu18.04下，使用python3.6pytorch1.8.2+torchvision0.9.2环境运行。电脑配置：NVIDIAGeForceRTX3060。显卡不是特别好，运行训练代码花费4天11个小时。数据集非常大，原始数据集按照数据集格式和架构配置完成165.2GB左右，生成semantic-kitti-fov数据集28.1G。如果没有足够的空间，不建议跑这个论文项目。考

JointUpload-DownloadTransmissionSchemeforLow-LatencyMobileLiveVideoStreaming会议信息：Publishedin:2023IEEE/ACM31stInternationalSymposiumonQualityofService(IWQoS)1背景移动视频流量和用户需求的快速增长，导致多个视频流客户端共享一个瓶颈链路的可能性增大

360DIV:360°VideoPlusDepthforFullyImmersiveVRExperiences会议信息：Publishedin:2023IEEEInternationalConferenceonConsumerElectronics(ICCE)作者：1背景与挑战360°视频不提供运动视差，如图1所示。当观看者移动时，虚拟场景随之而动，这大大降低了体验的质量。在这项工作中，我们处理3

论文地址：https://arxiv.org/pdf/2005.09801v1.pdf《FashionBERT:TextandImageMatchingwithAdaptiveLossforCross-modalRetrieval》是一篇非常新的论文，于2020年5月20提交arxiv，文中在时尚领域使用自适应损失技术，实现了文本与图片的跨模态搜索（用文本搜图片、用图片搜文本）。早期的跨模态搜索常

PUlearning论文阅读。