VIO学习系列第26页

日志库EasyLogging++学习系列（2）—— 日志级别

在很多的C++日志库中，日志信息会根据严重性来划分级别，使用者可以设置严重性级别门阀值来控制日志的输出，即严重性级别在该门阀值以上的日志信息才进行记录。以此不同，在Easylogging++日志库中，故意默认采用了不划分级别的日志记录，以便使用者可以完全自主地启用或者禁止某个级别的日志记录。不过实际上，Easylogging++同样也支持划分级别的日志记录，只是需要额外设置一个标记：Logging

samenmoer·2023-01-14 19:11

【视觉SLAM】DM-VIO: Delayed Marginalization Visual-Inertial Odometry

L.v.StumbergandD.Cremers,“DM-VIO:DelayedMarginalizationVisual-InertialOdometry,”inIEEERoboticsandAutomationLetters

振华OPPO·2023-01-14 16:35

强化学习系列之一:马尔科夫决策过程

文章目录[隐藏]1.马尔科夫决策过程2.策略和价值3.最优策略存在性和贝尔曼等式强化学习系列系列文章机器学习一共有三个分支，有监督学习、无监督学习和强化学习。

张博208·2023-01-14 12:06

吴恩达深度学习系列课程随记——Course4Week1

1.计算机视觉任务：图片分类/识别：图片是不是猫目标检测：图片中所有车的位置图片风格迁移：让一张图看起来像毕加索画的挑战：数据可能很大，如1k*1k的图片有300万维输入，如果有1000个隐藏单元，一层W会有30亿个参数因此，需要卷积2.边缘检测示例滑动窗口对位相乘，称为卷积运算，小的那个矩阵称为核或者过滤器图中这个过滤器，用来检测垂直边缘。将它反转一下，可以检测水平边缘。（这是从结果看出的，中间

Asteries·2023-01-14 11:03

吴恩达深度学习系列课程随记——Course2Week1

1.训练、验证、测试集训练集：用来训练验证集：用来找出最好模型测试集：无偏评估算法的运行状态（没有也不要紧）小数据时代：70%训练30%测试/60%训练20%训练20%测试大数据时代：99%（或者更多）训练1%验证%1%测试尽量保证验证集和测试集来自同一分布（网页抓取：牺牲了这一点来获取大量数据）没有测试集：这时验证集常常被称作测试集2.偏差、方差两者的平衡很少考虑欠拟合：高偏差（训练集误差高）过

Asteries·2023-01-14 11:32

数值优化（Numerical Optimization）学习系列-计算导数（Calculating Derivatives）

概述最优化问题中很多算法，包括非线性最优化、非线性等式等都需要计算导数。简单函数可以直接进行人工计算或者编码实现，对于复杂的情况，需要寻找一些方法进行计算或者近似。本节主要内容包括1.常见导数求解方法2.有限差分方法3.自动微分方法4.总结常见导数求解方法有限差分方法（FiniteDifferencing）根据导数的定义，导数表示函数在给定点x处，给定无限小的涉动后函数值的改动。因此我们可以根据定

下一步·2023-01-14 10:40

【Active Learning - 10】图像分类技术和主动学习方法概述

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·2023-01-14 09:08

技术干货 | 如何用MindSpore优化器加速收敛高度逼近最优值？

深度概率学习系列已经介绍完啦，接下来给大家分享下高阶优化器系列，想要看前一个系列的小伙伴们戳下面的地址哦☟技术干货｜MindSpore贝叶斯应用工具箱详细讲解本文先跟大家分享下常用的一二阶优化器。

昇思MindSpore·2023-01-14 03:22

typescript 学习系列-Symbol

介绍：ES6版本后Symbol出现了。symbol成为了一种新的原生类型，就像number和string一样Symbol符号：表示独一无二的值symbol类型的值是通过Symbol构造函数创建的letsym1=Symbol();console.log((typeofsym1))//symbolletsym2=Sybmol('key');//可选的字符串keyconsole.log(sym2)//S

Eason_0316·2023-01-13 07:57

LightGBM+OPTUNA超参数自动调优教程（附代码框架）

原创系列持续更新，欢迎微信搜一搜「Python数据科学」阅读机器学习系列文章。最近在kaggle上有一个调参神器非常热门，在top方案中频频出现，它就是OPTUNA。

Python数据科学·2023-01-12 21:11

机器学习系列-- 异常检测(Anomaly Detection)

目录1、问题的动机2、高斯分布3、异常检测算法4、开发和评价一个异常检测系统5、异常检测与监督学习对比6、特征选择1、问题的动机这一部分介绍异常检测(Anomalydetection)问题。这是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题。什么是异常检测呢？为了解释这个概念，举一个例子吧：假想你是一个飞机引擎制造商

已退游，勿扰·2023-01-12 20:49

跟着MindSpore一起学习深度概率

首先想和大家分享的是深度概率学习系列，名字中包含“深度”和“概率”两个词，其分别对应的就是深度学习和贝叶斯理论，也叫贝叶斯深度学习，深度概率学习简单来说

昇思MindSpore·2023-01-12 14:16

【机器学习系列】EM算法第一讲：EM算法相关概述及收敛性证明

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论

CHEONG_KG·2023-01-11 20:03

【最优化算法】基于【MATLAB】的牛顿法【Newton Method】计算与推导

个人主页：欢迎访问Ali.S主页最近更新：2022年7月7日⛽Java框架学习系列：Mybatis框架⛳Java基础学习系列：面向对象飞机大战通信仿真学习系列：【硬件】【通信】【MATLAB】【最优化】

Ali.s·2023-01-11 17:50

Deep Learning（深度学习）学习笔记整理系列之（二）

深度学习）学习笔记整理系列[email protected]://blog.csdn.net/zouxy09作者：Zouxyversion1.02013-04-08声明：1）该DeepLearning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的

wangchaoqi1985·2023-01-11 11:37

(转载)Deep Learning（深度学习）学习笔记整理系列之（二）

深度学习）学习笔记整理系列[email protected]://blog.csdn.net/zouxy09作者：Zouxyversion1.02013-04-08声明：1）该DeepLearning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的

xiaowei_nbu·2023-01-11 11:36

Deep Learning（深度学习）学习系列之（二）

DeepLearning（深度学习）学习笔记整理系列声明：1）该DeepLearning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。

Jackery_Shh·2023-01-11 11:36

机器学习笔记（继续更新）

学习内容跟随“吴恩达机器学习系列课程”。

M有在认真学习·2023-01-11 09:00

吴恩达---机器学习的流程（持续更新）

参考：吴恩达机器学习的视频视频链接：[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili本文用于我自己的内容总结以及层次理解。

M有在认真学习·2023-01-11 09:30

机器学习系列（2）——CART算法

本文主要介绍CART算法，包括CART分类树/回归树的详细步骤和在sklearn中的参数等。0x01、CART算法简介CART（ClassificationandRegressionTree，分类与回归树）算法是决策树的一种实现，既可用于分类也可用于回归。它是一种二分递归分割技术，即把当前样本划分为两个子样本（即使特征有多个取值，也把数据分为两部分，当前被划分进同一部分的特征在之后的分割过程中将有

陌简宁·2023-01-11 01:49

机器学习系列（14）——K均值聚类

本文介绍K均值（KMeans）聚类算法。0x01、k均值聚类简介K均值聚类是基于样本集合划分的聚类算法。K均值聚类将样本集合划分为K个子集，构成K个类，将n个样本分到K个类中，每个样本到其所属类的中心的距离最小。每个样本只能属于一个类，所以K均值聚类是硬聚类。1、模型给定个样本的集合，每个样本由一个特征向量表示，特征向量的维数是。均值聚类的目标是将个样本分到个不同的类或簇中，这里假设。个类形成对样

陌简宁·2023-01-11 01:18

【机器学习系列】概率图模型第四讲：变量消除法和Belief Propagation算法

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，先注意一下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，

CHEONG_KG·2023-01-10 11:08

minitab学习系列--DOE因子分析P值和F值均为星号

系列文章目录文章目录系列文章目录前言一、问题描述二、星号分析1.原因分析一2.原因分析二3.原因分析三总结前言以下DOE仅用于分析F值和P值的*号，模型的好坏不做分析一、问题描述DOE实验矩阵矩阵介绍：7因子、2水平、3中心点、部分因子(1/8)、19次实验DOE实验数据响应为：水迹比例DOE分析问题如下：F值和P值均为星号直到模型中包含项的阶数减少到2阶，F值和P值才计算出来二、星号分析DF（d

用余生去守护·2023-01-10 08:48

手写VIO --学习笔记 - Part8

目录1、基础2、提升EstimatingTimeOffsetsusingBasisFunctionsAnExample:Camera/IMUCalibration1、QuantitiesEstimated2、ParameterizationofTime-VaryingStates3、MeasurementandProcessModels4、TheEstimator3、兴趣（不强求）：参考1、基础仿

昼行plus·2023-01-09 19:16

手写VIO --学习笔记 - Part1

目录一、VIO文献阅读二、四元数和李代数更新三、其他导数参考一、VIO文献阅读阅读VIO相关综述文献，回答以下问题：1、视觉与IMU进行融合之后有何优势？

昼行plus·2023-01-09 19:15

手写VIO --学习笔记 - Part6

目录笔记关于后端关于前端使用角点的原因关于光流关于关键帧1、证明证明过程2、完成三角化代码3、绘制比例值变化曲线1计算比例变化数据matlab绘制比例值的变化曲线4、绘制比例值变化曲线2计算比例变化数据matlab绘制比例值的变化曲线多线程--3、4对于第三题对于第四题参考笔记前端：提取特征点，追踪相机Pose，定位相机（tracking

昼行plus·2023-01-09 19:15

手写VIO --学习笔记 - Part3

目录0、笔记1、编程题①请绘制样例代码中LM阻尼因子µ随着迭代变化的曲线图②将曲线函数改成y=ax2+bx+cy=ax^2+bx+c

昼行plus·2023-01-09 19:45

手写VIO --学习笔记 - Part5

运行结果fix前两帧之前fix前两帧之后2、完成滑动窗口算法测试函数3、总结论文论文比较了VIO的三种处理方式**①Gaugefixation****②Gaugeprior****③Freegauge

昼行plus·2023-01-09 19:45

深蓝学院-手写VIO作业-第二章

文章目录一、基础作业，必做环境配置说明a.ROS环境搭建b.Matlab安装1、设置IMU仿真代码中的不同的参数，生成Allen方差标定曲线。a.对于非ROS：生成运动imu数据b.对于ROS:专门生成静止imu数据，用于allan方差标定2、将IMU仿真代码中的欧拉积分替换成中值积分。二、提升作业，选做1、阅读从已有轨迹生成imu数据的论文，撰写总结推导：一、基础作业，必做环境配置说明a.ROS

hello689·2023-01-09 19:12

从零开始手写VIO 第5期(Lesson 2)

从零开始手写VIO第5期(Lesson2)本文是VIO课程的第二节课，权当自己的总结，由于github可能比较慢，所以放在了gitee，链接参见之前的博文，欢迎大家参考，更新不易，如需转载，请著名出处，

北方南方2020·2023-01-09 19:42

手写VIO --学习笔记 - Part2

目录1、设置IMU仿真中的不同的参数，生成[allen方差标定曲线](https://blog.csdn.net/lei1105034103/article/details/89159459)1.1[imu_utils](https://github.com/gaowenliang/imu_utils)环境配置生成imu.bagimu_utils标定matlab绘allan图1.2[kalibr_

昼行plus·2023-01-09 19:11

Dense神经网络可以做什么【深度学习系列之-Dense神经网络可以做什么】

本文通过假设，理论说明，实践输出，来演示dense神经网络的作用。例子采用keras编程。假设特征向量如：[a,b,c]特征维度为3,a,b,c为特征值，特征值可取离散的整数。例如输入特征向量为[1,2,4]，输出特征为0或者1.我们的目标是，查找哪些逻辑关系可以学习到。如：我们将a+b=3的特征向量的输出设置为1，如果神经网络Q可以通过训练，预测输入向量为[2，1，4]的输出为1.那么则说，a+

weixin_39862845·2023-01-09 17:58

【机器学习系列】浙大机器学习课程-第一章概述

文章目录机器学习的定义监督学习机器学习入门机器学习的定义机器学习是一种非显著式编程。显著式编程是程序固定了程序的输入输出，但是非显著式编程可以让机器进行不断学习。以机器人路径规划为例，机器人根据经验E来提升性能指标P的过程。在人脸识别任务中，经验E往往指训练样本以及对应标签的集合。这些输入的数据都是人为手动添加标签，被称为监督学习。在自动驾驶任务中，经验E往往需要计算机和环境互动获得，计算机产生行

lrchang·2023-01-09 15:15

【机器学习系列】浙大机器学习课程-第二章支持向量机

文章目录1.支持向量机线性可分情况1.1线性可分的定义1.2线性可分下的优化问题2.支持向量机算法2.1核函数的定义2.2原问题和对偶问题3.度量系统性能的标准3.1识别率3.2混淆矩阵3.3ROC曲线4.支持向量机的多分类问题1.支持向量机线性可分情况1.1线性可分的定义线性可分指的是可以使用一条直线分开两个不同的类别，否则为线性不可分。二维特征空间中可视化的例子：三维特征空间可视化的例子：1.

lrchang·2023-01-09 15:15

【深度学习系列】反向传播推导+损失函数+激活函数原理

这是我的学习笔记，若有不足和错误之处，欢迎交流和指正，谢谢！联系方式：[email protected]文章目录1.推导反向传播过程2.常见的损失函数2.1基于距离的损失函数2.2基于概率分布的损失函数3.常见的激活函数3.1Sigmoid函数3.2tanh函数3.3ReLU函数3.4.LeakyReLU4.torch中常见的损失函数1.推导反向传播过程参考链接：https://blog.csdn.ne

lrchang·2023-01-09 15:45

GPU加速的FAST特征提取 Faster than FAST: GPU-Accelerated Frontend for High-Speed VIO (IROS 2020)

VIOPipeline中，视觉特征通常依靠图像数据的detection和tracking,这两个部分通常会比较耗时，比如一些经典的算子，运算量都比较大，如果将这些视觉前端用GPU进行加速处理，那么将会加快VIO

一銤阳光·2023-01-09 15:35

《Machine Learning in Action》—— 剖析支持向量机，优化SMO

手撕机器学习系列文章就暂时更新到此吧，目前已经完成了支持向量机SVM、决策树、KNN、贝叶斯、线性回归、Logistic回归，其他算法还请允许Taoye在这里先赊个账，后期有机会有时间再给大家补上。

玩世不恭的Coder·2023-01-09 12:51

【逆强化学习-1】学徒学习（Apprenticeship Learning）

文章目录0.引言1.算法原理2.仿真环境3.运行4.补充（学徒学习+深度Q网络）本文为逆强化学习系列第1篇，没有看过逆强化学习介绍的那篇的朋友，可以看一下：InverseReinforcementLearning-Introduction

非线性光学元件·2023-01-09 10:17

最小二乘问题总结

题外话2.最小二乘基础概念3.线性最小二乘问题的求解方法4.非线性最小二乘问题的求解方法4.1最快下降法4.2高斯牛顿法4.3LM阻尼最小二乘法4.4Dog-Leg最小二乘法1.题外话最近在学习深蓝学院的VIO

Andy是个男子名·2023-01-09 09:21

机器学习系列（一）之算法相关数学符号

知行SUN·2023-01-09 08:17

海思SD3403开发板学习（四）

海思SD3403开发板学习系列：四模型转换文章目录海思SD3403开发板学习系列：四模型转换前言一、MindStudio二、模型转换步骤备注：前言就以目前正在研究的YOLOX系列作为模型转换的例子。

蘑菇炒辣椒·2023-01-09 03:38

海思SD3403开发板学习（五）

海思SD3403开发板学习系列：五模型初始化与反初始化文章目录海思SD3403开发板学习系列：五模型初始化与反初始化前言一、初始化二、反初始化前言本文使用yolox模型进行目标检测任务。

蘑菇炒辣椒·2023-01-09 03:38

海思SD3403开发板学习（一）

海思SD3403开发板学习系列：一简介文章目录海思SD3403开发板学习系列：一简介一、3403开发板二、性能介绍1.简介2.主要特点3.性能参数一、3403开发板SD3043标准开发板是常州海图电子科技有限公司推出的一款基于海思

蘑菇炒辣椒·2023-01-09 03:08

海思SD3403开发板学习（三）

海思SD3403开发板学习系列：三CANN和MindStudio安装文章目录海思SD3403开发板学习系列：三CANN和MindStudio安装前言一、CANN安装1.安装依赖项2.CANN安装二、MindStudio