<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Argulo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Argulo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Argulo]]></copyright><item><title><![CDATA[科研小白可以做哪些准备]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/147431448</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/147431448</guid><author>Argulo</author><pubDate>Tue, 22 Apr 2025 21:32:05 +0800</pubDate><description><![CDATA[首先，就是要回答“什么是科研？什么是好研究？”这个问题。对于这个问题，每个人都会有自己的理解。有人可能会说：发文章就等于做研究，在高水平期刊上发表论文做的就是“好”研究。那么什么又是好的研究呢？受师兄启发，目前我认为评价研究好坏的标准在于对现实世界的改变程度，也就是对现实世界产生的积极影响的大小。可能这种影响在短时间内还无法显现，也有可能在短时间内加快推动了技术、行业和社会等方面的进步。我们常说，中国的发文量已经世界第一了，但为什么真正有价值的研究只占极少数？]]></description><category></category></item><item><title><![CDATA[Prompt Engineering介绍]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/143604829</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/143604829</guid><author>Argulo</author><pubDate>Thu, 07 Nov 2024 18:25:17 +0800</pubDate><description><![CDATA[近年来，大语言模型（LLM）发展迅速，成为自然语言处理领域的重要技术。除了OpenAI的GPT系列、Google的PaLM（Pathways Language Model）和Bard，国内也涌现出多款领先的模型，如百度的文心一言、阿里的通义千问、华为的盘古大模型。此外，Meta的LLaMA和Anthropic的Claude也在全球范围内产生了广泛影响。谷歌今年推出的Gemini系列被认为是其继Bard之后的又一重大突破。]]></description><category></category></item><item><title><![CDATA[点云深度学习模型PointNet]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/142862461</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/142862461</guid><author>Argulo</author><pubDate>Fri, 11 Oct 2024 20:21:33 +0800</pubDate><description><![CDATA[PointNet 开创了直接对点云数据进行深度学习的先河，通过巧妙地利用对称函数和空间变换网络，实现了对点云无序性和排列不变性的处理。尽管存在一些局限性，但其简洁高效的结构和创新的思想对点云深度学习领域产生了深远的影响。]]></description><category></category></item><item><title><![CDATA[点云中ICP算法的详解]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/142834144</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/142834144</guid><author>Argulo</author><pubDate>Thu, 10 Oct 2024 22:59:04 +0800</pubDate><description><![CDATA[给定两个点云：源点云 ( $ P = { \mathbf{p}_i }  $) 和目标点云 (  $Q = { \mathbf{q}_j }  $)，目标是找到一个刚性变换（旋转矩阵 ( $ \mathbf{R} $ ) 和平移向量 (  $\mathbf{t} $ )），使得变换后的源点云与目标点云尽可能地对齐。ICP算法作为点云配准的基石算法，具有重要的理论意义和实用价值。通过不断的改进和优化，ICP算法在处理复杂的点云配准任务中依然发挥着重要作用。]]></description><category></category></item><item><title><![CDATA[三维点云中常用的表面重建算法]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140613238</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140613238</guid><author>Argulo</author><pubDate>Mon, 22 Jul 2024 17:06:26 +0800</pubDate><description><![CDATA[表面重建算法起源于计算机视觉和计算几何学领域。早期的研究集中在从二维图像中提取三维信息。然而，随着三维扫描技术的进步，越来越多的研究转向了如何从点云数据中重建表面。三维点云表面重建技术的发展，始于20世纪90年代，主要推动力是激光扫描和结构光扫描的广泛应用。]]></description><category></category></item><item><title><![CDATA[KMeans等其他聚类算法]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140584559</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140584559</guid><author>Argulo</author><pubDate>Sun, 21 Jul 2024 10:41:16 +0800</pubDate><description><![CDATA[OPTICS算法通过分析数据点的可达性图来识别不同密度的簇，非常适合处理具有不同密度的复杂数据集。pcd = pcd.uniform_down_sample(10) # 每10个点采样一次pcd.paint_uniform_color([0.5, 0.5, 0.5]) # 指定显示为灰色print(pcd)colors[labels < 0] = 0 # 没有分类成功的点设置为黑色。]]></description><category></category></item><item><title><![CDATA[萤火虫优化算法用于图像分割]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140584621</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140584621</guid><author>Argulo</author><pubDate>Sun, 21 Jul 2024 10:35:20 +0800</pubDate><description><![CDATA[受自然启发的计算已经成为优化问题、机器学习、数据挖掘和计算智能的新范式，具有广泛的应用。自然启发计算的本质是自然启发算法，如遗传算法(GA)粒子群优化(PSO)和萤火虫算法(FA)。大多数受自然启发的算法都使用了群体智能的一些特征。在受自然启发的算法中，萤火虫算法(firefly algorithm, FA)是由XinShe Yang在2007年末和2008年初提出的，至今已有近10年的发展历程，在过去几年中取得了重大进展。在热带和温带地区的夏季天空中，萤火虫的生物发光是一种令人惊叹的景象。]]></description><category></category></item><item><title><![CDATA[智能优化算法之蝙蝠算法BA]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140568313</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140568313</guid><author>Argulo</author><pubDate>Sat, 20 Jul 2024 11:25:37 +0800</pubDate><description><![CDATA[蝙蝠优化算法（Bat Algorithm, BA）是一种基于蝙蝠回声定位行为的元启发式算法，由Xin-She Yang在2010年提出。该算法模仿了蝙蝠通过回声定位找到猎物或避开障碍物的机制，以解决优化问题。蝙蝠算法因其简单性和有效性在许多优化问题中得到了广泛应用。]]></description><category></category></item><item><title><![CDATA[基于密度聚类算法DBSCAN]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140568249</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140568249</guid><author>Argulo</author><pubDate>Sat, 20 Jul 2024 11:23:13 +0800</pubDate><description><![CDATA[DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，由Martin Ester, Hans-Peter Kriegel, Jörg Sander和Xiaowei Xu于1996年提出。DBSCAN的特点是它不需要事先指定簇的数量，能够识别任意形状的簇，并且能够有效处理噪声点。这种算法在推出后，因其强大的功能和灵活性，迅速在学术界和工业界获得了广泛的应用。有趣的是，DBSCAN。]]></description><category></category></item><item><title><![CDATA[RANSAC点云分割可视化小案例]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140543673</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140543673</guid><author>Argulo</author><pubDate>Fri, 19 Jul 2024 11:05:19 +0800</pubDate><description><![CDATA[以下代码示例导入了点云处理库 (open3d) 和数值计算库 (numpy)。它从文本文件 ('chair_0001.txt') 读取 3D 点云，其中点数据用逗号分隔。然后，它使用 Open3D 创建 PointCloud 对象，并将文件中的点分配给它。使用 RANSAC对点云进行分割，识别属于平面的点，并为这些点分配蓝色。最后，它在标题为“RANSAC平面分割”。以上内容总结自网络，如有帮助欢迎关注与转发，我们下次再见！]]></description><category></category></item><item><title><![CDATA[智能优化算法之灰狼优化算法（GWO）]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140543649</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140543649</guid><author>Argulo</author><pubDate>Fri, 19 Jul 2024 11:04:35 +0800</pubDate><description><![CDATA[智能优化算法是一类基于自然界中生物、物理或社会现象的优化技术。这些算法通过模拟自然界中的一些智能行为，如遗传学、蚁群觅食、粒子群体运动等，来解决复杂的优化问题。智能优化算法广泛应用于各种工程和科学领域，因其具有全局搜索能力、鲁棒性强以及易于实现等优点。]]></description><category></category></item><item><title><![CDATA[随机采样一致性算法RANSAC]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140517897</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140517897</guid><author>Argulo</author><pubDate>Thu, 18 Jul 2024 11:15:33 +0800</pubDate><description><![CDATA[Fischler 和 Bolles 提出的 RANdom SAmple Consensus (RANSAC) 算法 [1] 是一种通用的参数估计方法，旨在应对输入数据中大量离群值。与许多从统计学文献中被计算机视觉社区采用的常见鲁棒估计技术（如 M-估计和最小中值平方）不同，RANSAC 是由计算机视觉社区内部开发的。RANSAC 是一种重采样技术，通过使用估计基础模型参数所需的最小观察数（数据点）来生成候选解决方案。]]></description><category></category></item><item><title><![CDATA[Open3d入门 点云拼接算法]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140517841</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140517841</guid><author>Argulo</author><pubDate>Thu, 18 Jul 2024 11:13:27 +0800</pubDate><description><![CDATA[点云拼接（Point Cloud Stitching）是将从不同视角或位置获取的多组点云数据对齐到同一个坐标系中的过程，以形成一个完整的三维模型。这项技术在计算机视觉、机器人导航、三维重建和无人驾驶等领域有着广泛的应用。点云配准（Point Cloud Registration）和点云拼接（Point Cloud Stitching）都是处理多组点云数据的技术。点云配准是指将不同视角或位置获取的点云数据对齐到同一个坐标系中，以确保它们在空间上正确对应；]]></description><category></category></item><item><title><![CDATA[智能优化算法之禁忌搜索（Tabu Search, TS）]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140484619</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140484619</guid><author>Argulo</author><pubDate>Wed, 17 Jul 2024 09:15:25 +0800</pubDate><description><![CDATA[上图展示的是使用禁忌搜索算法解决电力系统孤岛问题。该问题旨在在发生严重扰动后将电力系统划分为几个不同的孤岛，目标是在将相关发电机放置在同一孤岛中并保持每个孤岛的连通性的同时，最小化所有孤岛的总发电负荷不平衡状态。禁忌搜索（Tabu Search）是由Fred W. Glover在1986年提出的一种基于邻域搜索的元启发式算法。其发展历史可以追溯到20世纪80年代中期，当时Glover在研究组合优化问题时，提出了一种利用禁忌表来记录和避免循环路径的方法，从而跳出局部最优解的陷阱。]]></description><category></category></item><item><title><![CDATA[点云机器学习算法ICP点云配准方法]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140484542</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140484542</guid><author>Argulo</author><pubDate>Wed, 17 Jul 2024 09:12:06 +0800</pubDate><description><![CDATA[点云配准(point cloud registration)的目的是将多个三维点云数据集对齐，以形成一个统一的三维模型。其应用范围广泛，包括机器人定位与导航、三维重建、逆向工程、医学成像、环境感知等。点云配准过程可详细划分为初始对齐、最近点查找、变换矩阵计算、应用变换和误差评估。通过这些阶段的迭代优化，最终实现点云的精确对齐。点云的粗配准（coarse registration）是指通过快速但不精确的方法，对两个点云进行初步对齐，使它们的大致位置和方向一致；]]></description><category></category></item><item><title><![CDATA[智能优化算法之蜂群算法ABC]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140459503</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140459503</guid><author>Argulo</author><pubDate>Tue, 16 Jul 2024 10:31:24 +0800</pubDate><description><![CDATA[示例中使用了简单的二次函数作为目标函数，通过模拟工蜂、观察蜂和侦查蜂的行为，不断优化蜜源位置，最终找到最优解。代码中还包含了可视化部分，通过图形展示蜜蜂位置和最优解，方便观察算法的优化过程。: 观察蜂根据选择概率选择蜜源，并进一步搜索新的蜜源位置，更新规则与工蜂阶段相同。下面是一个蜂群算法解决优化问题的示例代码，通过模拟蜜蜂觅食行为来找到函数的最优解。其中，是随机选择的蜜源，是一个在-1到1之间的随机数，是新蜜源的位置。其中，和分别是搜索空间的上下界，是一个在0到1之间的随机数。]]></description><category></category></item><item><title><![CDATA[常用的点云预处理算法]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140459437</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140459437</guid><author>Argulo</author><pubDate>Tue, 16 Jul 2024 10:30:02 +0800</pubDate><description><![CDATA[点云预处理是处理点云数据时的重要部分，其目的是提高点云数据的质量和处理效率。通过去除离群点、减少点云密度和增强特征，可以消除噪声、减少计算量、提高算法的准确性和鲁棒性，从而为后续的点云处理和分析步骤（如配准、分割和重建）提供更高质量的数据基础。以下是常用的点云预处理算法介绍，内容包括离群点过滤、点云下采样、坐标上采样和特征上采样的数学原理以及Open3D实现代码。]]></description><category></category></item><item><title><![CDATA[Python37 智能优化算法之差分进化算法DE]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140430627</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140430627</guid><author>Argulo</author><pubDate>Mon, 15 Jul 2024 10:04:39 +0800</pubDate><description><![CDATA[该算法起源于遗传算法（Genetic Algorithm, GA），但其具有更简单的结构和更强的全局搜索能力。差分进化算法主要用于解决全局优化问题，通过变异、交叉和选择操作不断改进解的质量。：重复变异、交叉和选择操作，直到满足停止条件（如达到最大迭代次数或适应度不再显著提升）。：将变异向量与当前个体进行交叉，生成试验向量。：初始化一个包含个个体的种群，每个个体是维向量，初始种群通常随机生成。其中，是均匀分布的随机数，是交叉概率，是随机选择的一个维度。函数优化：非线性、多峰、多维函数的全局优化。]]></description><category></category></item><item><title><![CDATA[Open3d入门 点云中的重要概念]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140430595</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140430595</guid><author>Argulo</author><pubDate>Mon, 15 Jul 2024 10:03:53 +0800</pubDate><description><![CDATA[点云是由一组三维空间中的点组成的数据结构，常用于计算机视觉、3D建模和地形图生成等领域。每个点包含空间坐标（x, y, z）以及其他属性（如颜色、密度等）。]]></description><category></category></item><item><title><![CDATA[Open3d入门 一文读懂三维点云]]></title><link>https://blog.youkuaiyun.com/Argulo/article/details/140413247</link><guid>https://blog.youkuaiyun.com/Argulo/article/details/140413247</guid><author>Argulo</author><pubDate>Sun, 14 Jul 2024 10:35:49 +0800</pubDate><description><![CDATA[点云数据中的点没有特定的顺序，每个点独立存在。]]></description><category></category></item></channel></rss>