Lidar学习系列

Linux学习系列（六）：linux系统上C程序的编译、运行及调试

目录引言一.文件编译及运行1.编译过程2.gcc分布编译3.gcc一步编译4.一步运行5.make和makefile二.gdb调试1.调试步骤：2.调试命令：1.l行号2.b/break3.infob/break4.运行代码5.p变量6.结束调试7.调试命令（全）引言本文介绍了Linux操作系统中关于C程序的编译，通过介绍编译过程、gcc命令、分步编译、一步编译和makefile自动化编译，详细介
lijiachang030718·2023-12-25 04:49

Linux学习系列（九）：Linux进程复制和替换

目录一.main函数二.printf输出问题1.printf函数并不会直接将数据输出到屏幕，而是**先放到缓冲区**中，只有一下三种情况满足，才会输出到屏幕。2.退出：returnexit_exit三.fork进程复制，写时拷贝1.fork2.写时拷贝四.僵死进程、孤儿进程及处理方法1.僵死进程2.孤儿进程3.僵死进程处理方法五.操作系统的文件调用1.open2.close3.read4.writ
lijiachang030718·2023-12-25 04:49

算法学习系列（十）：用数组模拟链表、双链表、栈、队列、单调栈、单调队列

目录引言一、数组模拟链表1.模板2.例题3.测试二、数组模拟双链表1.模板2.例题3.测试三、数组模拟栈1.模板2.例题3.测试四、数组模拟队列1.模板2.例题3.测试五、数组模拟单调栈1.例题+模板2.测试六、数组模拟单调队列1.例题+模板2.测试引言首先说一下为什么要拿数组来模拟，最主要的原因是为了快，因为如果用stl库里的容器的话，在算法竞赛中，一般是不会给你开O2优化或者臭氧优化的，然后所
lijiachang030718·2023-12-25 04:45

【Python深度学习系列】十几行代码教你使用CTGAN模拟生成表格数据

一、问题在机器学习中，我们经常会遇到数据集数量不足的情况。CTGAN是一个生成对抗网络（GAN）的实现，它可以学习原始数据的分布并生成具有相似特征的合成数据。生成的数据将尽量保持与原始数据的统计特性一致。二、实现过程2.1安装CTGAN库pipinstallctgan使用命令在终端或命令提示符中安装CTGAN库2.2导入CTGAN类fromctganimportCTGAN在Python代码中导入C
数据杂坛·2023-12-24 20:41

【Python机器学习系列】建立决策树模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型分析特征重要性（源码）【Pytho
数据杂坛·2023-12-24 20:41

【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）

一、引言表格数据一套完整的机器学习建模流程如下：在机器学习中，转换器（Transformer）和估计器（Estimator）是两个重要的概念，转换器和估计器在机器学习中扮演不同的角色，但它们通常可以结合在一起构建一个完整的机器学习流程。二、转换器转换器（Transformer）是一种用于数据转换和预处理的对象或类。它接受输入数据，并对其进行某种形式的变换。转换器通常用于数据的特征工程，包括特征缩放
数据杂坛·2023-12-24 20:38

python用while向列表输入_Python入门学习系列——Python用户输入和while循环

Python用户输入和while循环input()函数函数input()用于接收用户的输入信息。使用input()时，python将用户输入的内容解读为字符串，因此在进行其他数据类型操作时，需要进行相应的类型转换。注意：在Python2.7中，input()函数作用有所不同，input()函数会将用户输入解读为Python代码，并尝试运行它们，所以在Python2.7中，请使用raw_input(
weixin_39688687·2023-12-24 12:55

Java学习系列（七）

1.Java多态多态是同一个行为具有多个不同表现形式或形态的能力，多态就是同一个接口，使用不同的实例而执行不同操作。多态的优点1.消除类型之间的耦合关系2.可替换性3.可扩充性4.接口性5.灵活性6.简化性多态存在的三个必要条件继承重写父类引用指向子类对象：Parentp=newChild();classShape{  voiddraw(){}} classCircleextendsShape{ 
老蔡的菜·2023-12-23 06:13

【Active Learning - 02】Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis...

主动学习系列博文：【ActiveLearning-00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Houchaoqun_XMU/article
Houchaoqun_XMU·2023-12-23 03:22

Caffe学习系列——工具篇：计算数据集的图像均值

本系列文章介绍深度学习框架Caffe及其实践，本文主要介绍Caffe的实用工具——compute_image_mean计算图像均值.1.图像预处理——零均值化数据预处理在深度学习中非常重要，数据预处理中，标准的第一步是数据归一化。特征归一化常用的方法包含如下几种：简单缩放逐样本均值消减(也称为移除直流分量)特征标准化(使数据集中所有特征都具有零均值和单位方差)特征标准化指的是（独立地）使得数据的每
Solomon1588·2023-12-23 03:41

[图像和LiDAR点云的可微分配准]

文章目录概要主要贡献内容概述实验小结概要不同模态之间的配准，例如来自摄像机的2D图像和LiDAR的3D点云之间的配准，是计算机视觉和机器人领域中至关重要的任务。
落叶霜霜·2023-12-22 13:05

【Docker学习系列教程】docker的基本命令

docker的命令和git命令很类似，如果你了解过git、使用过git那么上手将会很快。当你不知道如何加参数是你可以使用--help来查询，例如dockerrun--help,下面只是简单列出常用的命令。dockerversion查询docker版本$dockerversionClient:Version:18.06.1-ceAPIversion:1.38Goversion:go1.10.3Git
浪漫宇宙与人间日常·2023-12-22 09:00

LIGA-Stereo：为基于立体 3D 检测器的学习 LiDAR 几何感知表示

论文地址：https://openaccess.thecvf.com/content/ICCV2021/papers/Guo_LIGA-Stereo_Learning_LiDAR_Geometry_Aware_Representations_for_Stereo-Based
飞大圣·2023-12-22 07:36

ROS gazebo 机器人仿真，环境与robot建模，添加相机 lidar，控制robot运动

b站上有一个非常好的ros教程234仿真之URDF_link标签简介-机器人系统仿真_哔哩哔哩_bilibili，推荐去看原视频。视频教程的相关文档见：6.7.1机器人运动控制以及里程计信息显示·Autolabor-ROS机器人入门课程《ROS理论与实践》零基础教程本文对视频教程第六章的主要内容做一个总结，视频教程没有集成的代码，都是每一课分散的代码，本文把主要代码集合进来，给嫌视频太长不想看的同
河北一帆·2023-12-20 03:08

LIDAR和IMU的外参标定

一、lidar_align我们使用的lidar_align这个算法来进行标定。1.下载源码在ros工作空间下的src文件夹下运行这个命令。
CVplayer111·2023-12-19 15:05

【Lidar】Open3D点云DBSCAN聚类算法：基于密度的点云聚类（单木分割）附Python代码

1DBSCAN算法介绍DBSCAN聚类算法是一种基于密度的聚类算法，全称为“基于密度的带有噪声的空间聚类应用”，英文名称为Density-BasedSpatialClusteringofApplicationswithNoise。DBSCAN聚类算法能够发现任意形状的类别，并且对噪音数据具有较强的鲁棒性。其基本思想是，如果一个点在给定的邻域内有足够多的相邻点，那么该点就是一个核心点；如果一个点在给
RS迷途小书童·2023-12-18 19:57

自动驾驶多传感器融合学习笔记

目录BevFusionliar，radar：BevFusionBevFusion是一种多传感器融合技术，它可以将来自不同传感器（如LiDAR和相机）的数据融合到一个统一的BEV表示中。
AI视觉网奇·2023-12-18 18:42

python学习系列1---爬取糗事百科段子

python学习了大半个月了。前段时间一直在慕课网看廖雪峰老师的python学习入门和进阶，视频地址http://www.imooc.com/learn/317。讲的很好，很通俗易懂，一边讲解还能一边练习。后面开始学习python爬虫相关的知识，看的课程都是来自http://wiki.jikexueyuan.com/project/python-crawler-guide/summarize.ht
余蝈蝈·2023-12-18 05:35

自动驾驶学习笔记（十八）——Lidar感知

#Apollo开发者#学习课程的传送门如下，当您也准备学习自动驾驶时，可以和我一同前往：《自动驾驶新人之旅》免费课程—>传送门《Apollo社区开发者圆桌会》免费报名—>传送门文章目录前言Lidar感知运动补偿点云分割总结前言见
Mr.Cssust·2023-12-17 23:44

TensorRT学习系列一：使用自定义网络构建和运行TensorRT模型

文章目录一、前言二、使用TensorRT构建(build)引擎1.创建logger2.创建builder3.创建network4.配置参数5.构建并序列化引擎并保存6.释放资源三、使用TensorRT运行(runtime)模型1.创建一个runtime对象2.反序列化生成engine3.创建一个执行上下文4.填充数据5.执行推理6.释放资源四、总结五、参考一、前言随着深度学习技术的发展，许多实际应
梦想的理由·2023-12-17 16:19

Pycharm 如何更改成中文版| Python循环语句| for 和 else 的搭配使用

共同学习交流.本文由Aileen_0v0原创CSDN首发如需转载还请通知⚠️个人主页：Aileen_0v0—CSDN博客欢迎各位→点赞+收藏⭐️+留言系列专栏：Aileen_0v0的PYTHON学习系列专栏
Aileen_0v0·2023-12-17 15:13

Pyside2 学习系列三：PyInstaller打包项目瘦身（超详细的Pyside2 攻略）

继上一篇文章打包后，发现包太大了，我们现在开始进行瘦身优化。本项目的所有演示代码：github可在这里下载。打包只用的工具为PyInstaller。不想细看的朋友可以直接跳到最后方法对比查看瘦身结果比较。~~优化1简单查看包构成2瘦身方法2.1打包成单文件2.2UPX压缩2.2.1命令行添加地址2.2.2将UPX路径添加到环境变量2.3打包成单文件并UPX压缩2.4打包成多文件后，删除无用的依赖库
jimboRen·2023-12-17 14:18

【埋点学习系列】04如何设计一套好的埋点管理工具

1，埋点管理系统的必要性当前许多中小型公司的埋点需求使用表格来统计的，但是随着项目的进行以及后期的精细化运营需要，数据量越来越复杂，越来越难以维护。所以很多公司都已经开发了一整套系统，以实现从埋点的统一管理。数据上报链路2，埋点管理系统的主要功能埋点管理：埋点管理模块主要包含所属业务模块，埋点列表的展示，编辑，回收等。根据业务模块来筛选各个业务模块的埋点列表，在埋点列表中可以查看埋点的详情信息，比
tricking紫枫·2023-12-17 07:12

跟着曾仕强学习系列-情绪管理

很早就听过曾教授的讲座，现在看到视频，觉得非常有智慧。跟着大师学习，体会。这个系列就是边听边想，边做，修己，提升自己。情绪管理1.我们只知道外界的是环境。我们自己对自己也是一种环境。我们心情变动，也会影响到我们的额情绪。我们要扩大范围，看得见的，看不见的，内在的，外在的，都在变动，都会使得我们有一种反应，这种反应就叫做情绪。反应无所谓好坏。任何环境都是会变动的，不是固定的。任何时候看他都是不一样的
人间四月2012·2023-12-17 06:33

论文阅读：UniSeg: A Unified Multi-Modal LiDAR Segmentation Network and the OpenPCSeg Codebase

0、Abstract点视图、体素视图和距离视图是点云的三种典型形式。它们都有精确的3D测量，但缺乏颜色和纹理信息。RGB图像是这些点云视图的自然补充，充分利用它们的全面信息有利于更强的感知。本文提出了一种统一的多模态激光雷达图像分割网络，称为UniSeg，该网络利用RGB图像信息和三视点云信息，同时实现了语义分割和全景分割。具体而言，我们首先设计了可学习交叉模态关联Learnablecross-M
shiyueyueya·2023-12-17 06:52

【vim 学习系列文章 13.1 -- 自动命令autocmd 根据文件类型设置vim参数】

文章目录autocmd根据文件类型配置vim参数vim文本类型autocmd根据文件类型配置vim参数在Vim中，你可以使用autocmd（自动命令）来根据文件类型自动执行特定的函数。首先，你需要定义这些函数，然后使用autocmd与文件类型模式匹配来调用这些函数。以下是一个基本的Vim配置示例，该配置在~/.vimrc文件中定义了两个函数，一个用于C类型文件，另一个用于Python类型文件。然后
CodingCos·2023-12-16 16:09

[论文阅读]Multimodal Virtual Point 3D Detection

MultimodalVirtualPoint3DDetection多模态虚拟点3D检测论文网址：MVP论文代码：MVP论文简读方法MVP方法的核心思想是将RGB图像中的2D检测结果转换为虚拟的3D点，并将这些虚拟点与原始的Lidar
一朵小红花HH·2023-12-16 14:31

C++ 学习系列 -- 实现简单的 String

1标准库std::stringc++中的std::string是一个重要的字符串的类,我们在日常工作中常常与之打交道。string是C++标准库的重要部分，主要用于字符串处理。使用string库需要在同文件中包括该库#includestd::string实际上是std::basic_string：std::basic_string-cppreference.comtemplate,typename
在河之洲木水·2023-12-16 12:53

C++ 学习系列 -- conversion function

一什么是转换函数？在c++编码中，我们可能遇到要将类A转为类B的情况，此时就可以定义类A的转换函数将其按照一定规则转换为类B；转换函数声明规则如下：operator转换类型()const;转换函数无返回值，转换类型是一个已定义的类，包括c++基本类型int、double等，也包括事先定义过的类。这里介绍一下隐式转换的知识点：所谓隐式转换，由编译器私下进行的类型转换，该转换不需要使用者干预。当一个值
在河之洲木水·2023-12-16 12:22

C++ 学习系列 -- 模板 template

一C++模板介绍？C++为什么引入模板？我的理解是：C++引入模板的概念，是为了复用重复的代码，当某些代码除了操作的数据类型不同以外，其他逻辑全都相同，此时就适合采用模板的方式。定义模板类或者模板函数时，只是定义了一个代码的架子，使用时需要配合上实际的数据类型，数据类型可以是基本数据类型也可以是用户自定义的类型。官方一点的说法：所谓模板，实际上是建立一个通用函数或类，其类内部的类型和函数的形参类型
在河之洲木水·2023-12-16 12:46

开源书籍—鸢尾花书：从加减乘除到机器学习系列 | 开源专题 No.50

Visualize-ML/Book1_Python-For-BeginnersStars:2.4kLicense:NOASSERTION《编程不难》是一本名为鸢尾花书的开源项目，它从基础的加减乘除开始，逐步引导读者进入机器学习领域。该项目提供了PDF草稿和Jupyter笔记，并经过至少两轮修改以确保内容更新完善。以下是这个开源项目的核心优势和关键特性：详细而易懂：《编程不难》通过简洁明了的语言、清
开源服务指南·2023-12-16 12:30

【Lidar】基于Python格网法计算点云体积（eg.树木体积）

这两天一直不在状态，不是特别想分享文章，所以也没怎么更新。但是代码放在文件里始终不是它的归宿，只有被不断使用它才能进步，才能诠释它的意义。所以今天抽空给大家分享一下如何基于Python利用格网法计算点云的体积，我这里是做林业的点云，所以是按照树木体积编写的代码。1代码逻辑逻辑部分其实很简单，就是将三维点云数据投影至二维平面，再通过格网将二维平面切割成无数个小块，统计位于该格网中点云的最高点和最低点
RS迷途小书童·2023-12-16 03:50

lidar slam vs visual slam

lidar对结构敏感，结构缺失（structure-scarce）的场景lidar不行，例如隧道，而视觉SLAM对特征敏感，特征缺失（poortextures）的场景视觉不行。
wenningshine·2023-12-15 22:50

第527篇-Prism学习系列3_Modularity

在Prism中，一个非常普遍的方法是把各个不同的Business模块化，用Module的机制可以很好的解决这个问题。Module支持即时加载.//////Amoduleforthequickstart.///[ModuleExport(typeof(ModuleD))]publicclassModuleD:IModule{privatereadonlyIModuleTrackermoduleTra
weixin_30908707·2023-12-15 18:41

DSGN：用于 3D 目标检测的深度立体几何网络

2F%2Farxiv.org%2Fpdf%2F2001.03398v3.pdf论文代码：https://github.com/chenyilun95/DSGN论文背景大多数最先进的3D物体检测器严重依赖LiDAR
飞大圣·2023-12-15 17:15

【深度学习初探】Day31 - 三维点云数据的获取

【深度学习初探】Day31-三维点云数据的获取文章目录【深度学习初探】Day31-三维点云数据的获取一、激光扫描仪（LiDAR）二、深度相机（DepthCamra）三、双目相机（StereoCamera
Clown Piece·2023-12-15 16:38

CPGNet点云语义分割简介

该方法通过将LiDAR点云分别投影到鸟瞰视图bird`s-eyeview(BEV)和距离视图rangeview(RV)，然后在两个视图上应用2D全卷积网络提取语义特征，接
AI松子666·2023-12-15 15:25

论文阅读：Lidar Annotation Is All You Need

在以往的地面分割任务中，利用Lidar来做地面分割是目前采用激光雷达方案进行自动驾驶的常见手段。
苦瓜汤补钙·2023-12-15 13:20

源码学习系列之SpringBoot自动配置（篇一）

源码学习系列之SpringBoot自动配置源码学习（篇一）ok，本博客尝试跟一下Springboot的自动配置源码，做一下笔记记录，自动配置是Springboot的一个很关键的特性，也容易被忽略的属性，
smileNicky·2023-12-15 07:01

如何求extrinsicTrans和extrinsicRot：

笔者传感器使用的是6-axis的ouster激光雷达，自带IMU.配置文件.ymal,需要求extrinsicTrans和extrinsicRot.如果参数不准的话，建图效果是这样的：传感器中给出的变换矩阵分别为:lidar
稻壳特筑·2023-12-15 01:15

高翔《自动驾驶与机器人中的SLAM技术》第九、十章载入静态地图完成点云匹配重定位

/bin/dump_map--pose_source=lidar。、完成第一次优化：./bin/run_optimization--stage=1完成
稻壳特筑·2023-12-15 00:40

算法学习系列之排序算法：原理、应用场景与C++实现精解

文章目录前言原理和应用场景快速排序的实现一般的递归快速排序三点取中法单边递归快速排序无监督快速排序混合排序的实现C++标准库sort算法我设计的混合排序算法堆排序的实现我的实现另一种实现解释特性其它c++案例实现总结前言在计算机科学领域，排序算法是最基础也是最关键的部分之一。它们不仅在理论上具有重要意义，也在实际应用中发挥着至关重要的作用。从经典的冒泡排序到更高效的快速排序，每种算法都有其独特之处
梦想的理由·2023-12-14 19:42

【Spring Boot 源码学习】ApplicationListener 详解

SpringBoot源码学习系列ApplicationListener详解引言往期内容主要内容1.初识ApplicationListener2.加载ApplicationListener3.响应应用程序事件总结引言书接前文
Huazie·2023-12-14 13:14

【Spring Boot 源码学习】ApplicationContextInitializer 详解

SpringBoot源码学习系列ApplicationContextInitializer详解引言往期内容主要内容1.初识ApplicationContextInitializer2.加载ApplicationContextInitializer3
Huazie·2023-12-06 22:50

激光雷达篇——[科普]一文看懂激光雷达LIDAR基本工作原理（转载）

utm_id=0一、激光雷达LiDAR工作原理激光雷达LiDAR的全称为LightDetectionandRanging激光探测和测距，又称光学雷达。
易Yi·2023-12-06 09:54

【Java不看后悔系列】|面向对象编程|[继承、封装、多态全覆盖]

个人主页:Aileen_0v0系列专栏:Java学习系列专栏个人格言:"没有罗马,那就自己创造罗马~"1.Judgingrightfromwrong(inheritance)1.Achildclassinheritseverythingfromitsparentclass
Aileen_0v0·2023-12-05 04:53

FreeRTOS的学习（十二）——任务调度器的开启

FreeRTOS的学习系列文章目录FreeRTOS的学习（一）——STM32上的移植问题FreeRTOS的学习（二）——任务优先级问题FreeRTOS的学习（三）——中断机制FreeRTOS的学习（四）
LEODWL·2023-12-04 21:39

使用激光雷达（LiDAR）和相机进行3D物体跟踪

使用相机和激光雷达进行时间到碰撞（TTC）计算在我的先前文章中，我介绍了通过检测关键点和匹配描述符进行2D特征跟踪的主题。在本文中，我将利用这些文章中的概念，以及更多的内容，开发一个软件流水线，使用相机和激光雷达测量在3D空间中检测和跟踪对象，并使用两者估计每个时间步长与前方车辆的时间到碰撞（TTC）（如本文开头的GIF所示）。我完成了这个项目，作为我Udacity传感器融合纳米学位课程的一部分。
小北的北·2023-12-04 13:09

STM32那些你该知道的事儿-第3季第1部分视频课程-朱有鹏-专题视频课程

STM32那些你该知道的事儿-第3季第1部分视频课程—81人已学习课程介绍本课程是《朱有鹏老师单片机完全学习系列课程》第3季第1个课程，也是STM32系列课程的第一部分，综合讲解了整个STM32课程的规划
朱有鹏老师·2023-12-04 07:48

8.ROS的TF坐标变换（二）：动态坐标变换、多坐标变换代码讲解（以LIO-SAM为例）

2ROS的多坐标变换及代码解释2.1什么是ROS的多坐标变换2.2发布方代码实现2.3接收方代码实现3LIOSAM中所有的TF坐标变换代码解析3.1后端每预测出一帧激光里程计发送TF信息3.2IMU前端获取lidar
APS2023·2023-12-04 06:17
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他