- 博客(5)
- 收藏
- 关注
RSS订阅原创 OnePose++: Keypoint-Free One-Shot Object Pose Estimation without CAD Models
算法：首先采用LoFTR的细匹配模块，将粗匹配点周围的小窗口内，通过对比特征找到最相似的位置，细化当前特征点的位置。算法：PnP算法，利用3D点和2D投影点的对应关系，计算相机相对于物体的6D姿态（位置朝向）。算法：使用COLMAP，对2D粗匹配对（不依赖传统关键点匹配）进行特征轨迹计算并生成半稠密点云，每个3D点包含坐标和对应的2D投影点。算法：LoFTR粗匹配模块，将每一个像素点视为伪关键点，生成半稠密的2D匹配对。输入：优化后的3D、当前视图的2D特征点。输出：粗半稠密点云以及物体的特征轨迹。
2025-07-27 19:25:36
753
原创 基于MCTS与DQN结合的AI棋手训练
本文介绍了一种基于蒙特卡洛树搜索（MCTS）和深度Q网络（DQN）结合的AI棋手训练方法。该方法借鉴了AlphaZero的自我对弈机制，通过模型自我对弈生成训练数据，避免了传统监督学习对高质量数据集的依赖。文章详细讨论了模型参数更新的策略，强调了使用最新模型以提高数据多样性的重要性。此外，通过数据预处理和图像处理技术，如旋转和镜像，进一步增强了数据的多样性。MCTS算法通过大量随机模拟来评估棋盘状态的获胜概率，而策略价值网络则通过卷积层和全连接层输出策略和价值，指导MCTS的模拟过程。
2025-05-18 22:16:14
1534
原创 LangChain入门（3）：RAG（检索增强生成）
本文介绍了LangChain框架中的RAG（检索增强生成）技术，旨在解决大模型更新参数耗时且可能产生“幻觉”的问题。RAG通过将新知识作为文档提供给大模型，使其直接从文档中检索内容。
2025-05-11 23:41:25
2164
原创 LangChain入门（2）：Prompt（提示）
五一快乐啊！😉你们五一都在干什么呢？2025年，人工智能走向大众化的序幕已经拉开。在这一背景下，LangChain应运而生，这一建立在大语言模型之上的框架，让快速开发AI应用成为可能。本篇文章主要记录我在学习langchain的过程中觉得有意思的地方，由于笔者本人并没有很出色的能力，如有不对的地方，敬请谅解。本篇文章简单介绍如何使用langchain编写一个良好的Prompt给大模型。下一篇的内容就是讲RAG（检索增强生成）了，它可以低成本的让大模型学习到没有学过的东西。也祝各位五一劳动节快乐！😊。
2025-05-01 21:55:01
1736
原创 LangChain入门（1）：Model（模型）
2025年，人工智能走向大众化的序幕已经拉开。在这一背景下，LangChain应运而生，这一建立在大语言模型之上的框架，让快速开发AI应用成为可能。本篇文章主要记录我在学习langchain的过程中觉得有意思的地方，由于笔者本人并没有很出色的能力，如有不对的地方，敬请谅解。
2025-04-29 10:48:39
764
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人