墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
499平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
使用CloudCompare计算点云的粗糙度
点云是由大量离散点组成的三维数据集，广泛应用于地质勘探、机器人感知、三维重建等领域。对于点云数据的分析和处理，粗糙度是一个重要的指标，可以用于表征点云表面的凹凸程度。在本文中，我们将介绍如何使用CloudCompare软件计算点云的粗糙度，并提供相应的源代码。
CloudCompare是一款开源的点云处理软件，提供了丰富的功能和工具。其中，计算粗糙度的功能可以通过使用CloudCompare的Python脚本扩展来实现。下面是一个示例脚本，用于计算点云的粗糙度：
import CloudCompare as cc
# 加载点云数据
cloud = cc.CloudCompare()
cloud.load("input_cloud.ply"CloudCompare M3C2：从点云粗糙度到精度地图，解锁三维变化检测新维度
本文深入解析CloudCompare M3C2算法在三维点云变化检测中的应用，通过圆柱体投影法和多尺度计算模式，有效提升地表变化分析的精度与效率。重点探讨了法线尺度、投影尺度等关键参数的设置技巧，以及M3C2-PM精度地图的实战价值，为地质灾害监测、工程检测等领域提供可靠的技术支持。
从‘精度地图’到‘粗糙度估计’：深入解读CloudCompare M3C2-PM插件，为你的摄影测量点云变化分析上把‘安全锁’
本文深入解析CloudCompare M3C2-PM插件在摄影测量点云分析中的革命性应用，对比基于精度地图和粗糙度估计的两种算法路径。通过详细的技术原理、实战演练和场景对比，帮助用户在高精度需求场景中选择最佳方法，提升点云变化分析的准确性和可靠性。
PCL计算点云粗糙度【2025最新版】
计算点云粗糙度的C++代码实现。
【CloudCompare教程】011：计算点云的粗糙度（地表粗糙度）
本文基于无人机摄影测量生成的地形点云数据讲CloudCompe表面粗糙度(surface roughness)是指加工表面具有的较小间距和微小峰谷的不平度。其两波峰或两波谷之间的距离（波距）很小（在1mm以下），它属于微观几何形状误差。表面粗糙度越小，则表面越光滑。点云粗糙度是点云的一项重要的局部特征，粗糙度顾名思义，可以理解为点云表面的光滑程度，在点云识别方面,无论是人工设计阈值分割Q，还是机器学习分类，粗糙度都可以作为重要特征，计算原理很简单。CloudCompare软件提供了简单的点云粗糙度计算工具。
使用CloudCompare计算点云的表面粗糙度——编程实现
在上述代码中，我们首先指定了CloudCompare的安装路径，并定义了输入点云文件和输出结果文件的路径。在点云处理中，计算点云的表面粗糙度是一个重要的任务，它可以帮助我们理解点云数据的局部特征和平滑度。总结起来，本文介绍了如何使用CloudCompare软件通过编程实现计算点云的表面粗糙度。通过调用CloudCompare的命令行接口，我们可以方便地进行点云数据的粗糙度计算，并将结果保存到文件中。通过运行以上代码，CloudCompare将会自动计算输入点云的表面粗糙度，并将结果保存在指定的输出文件中。
Open3D计算点云粗糙度（方法一）【2025最新版】
CloudComopare软件中计算粗糙度的方法复现。博客长期更新，本文最近更新时间为：2025年11月6日。
粗糙度matlab程序.rar_matlab 粗糙度ra_surface roughness_粗糙度 Ra matlab_粗糙度
计算一维和二维表面粗糙度Ra，根据需要自行选择。
【学习笔记】人群归因分数 PAF 以及combined PAF
人群归因风险比例（Population Attributable Fraction，PAF）是一个流行病学指标，它估计了在总体中，如果能消除一个特定的危险因素，能预防多少百分比的疾病或健康结果。简单来说，PAF回答的是：“如果没有这个风险因素，总体中会有多少病例是可以避免的？
如何从零开始写小程序
看了这篇文章，即使让我现在就从头写一个能够正常运行的小程序，也没有原本想象中的那么难了。 在本文中，我们将会以一个具体的小程序为例，带领大家从零到一完成一个小程序的开发流程，并将这个小程序上传到 FinClip.com 进行小程序提审与上架操作。 我们新建了一个叫做「HelloWorld」的小程序，FIDE 在初始化小程序项目时，会自动在项目目录中补充对应所需要的项目文件。那不妨让我们先从小程序目录下的配置文件开始，逐渐揭开小程序的面纱。 使用 FIDE 编辑小程序 1. 认识 json 文件 在小程序项目
Meta-RL之Meta-Gradient Reinforcement Learning
这篇文章是用元学习算法去学习RL的超参数η={γ,λ}\eta=\{\gamma,\lambda\}η={γ,λ}。当然不仅限于这2个超参数，还可以是和回报相关的超参数。 本文的核心思想：我们之前接触过Meta-Learning参数的初始化(MAML、Reptile)以及Meta-Learning参数的更新优化(L2L-by-gd-by-gd、Opt as a model for few-shot learning)，那么这篇就是能否Meta-Learning到η={γ,λ}\eta=\{\gamma,\l
n8n AI高效工作流自动化 部署使用教程
摘要： n8n是一款开源可视化工作流自动化工具，结合AI能力可高效解决重复性任务。文章详细介绍了从Docker部署到实战应用的完整流程：1）通过Docker Compose自托管n8n，确保数据可控；2）以AI客服日报机器人为例，演示如何串联工单系统、ChatGPT和邮件通知，实现定时自动化；3）进阶搭建交互式AI助手，利用ToolsAgent节点调用业务API；4）整合向量数据库构建RAG知识库问答。关键建议包括：拆分复杂工作流、严格管理凭据、区分开发与生产环境，并建议从高频刚性需求（如日报生成）切入，逐
巧妙解决网页弹窗重复出现问题
本文探讨了网页弹窗关闭后刷新重现的问题及解决方案。通过分析原生JavaScript实现的弹窗代码存在的缺陷，提出了使用jQuery改进的方法。关键点包括：利用event.preventDefault()阻止默认行为避免刷新，采用jQuery的hide("slow")方法实现优雅的关闭动画，确保关闭状态持久化。改进后的方案既解决了弹窗重复出现的问题，又提升了用户体验，为网页弹窗交互提供了更优的实现方式。文中提供了完整的HTML、CSS和JavaScript代码示例，便于开发者直接应用。
【软件测试】- 公有云、私有云、混合云简介以及如何在公有云与私有云上分别搭建测试环境
公有云、私有云以及混合云是目前云计算领域的三种主要模式。它们之间的区别主要在于部署方式、数据访问和管理控制的不同。在阿里云或腾讯云上使用 Kubernetes 和 Docker 搭建测试环境可以提供高度的可伸缩性和灵活性。这样的环境非常适合于需要在多种配置和条件下进行测试的复杂应用。通过云服务提供的工具和服务，可以轻松管理和监控整个测试过程。在云服务上搭建测试环境涉及选择合适的云提供商、配置云资源、安装和设置所需软件等步骤。### 1. 选择云服务提供商。
Win11更新导致TIA博途许可证出现问题的解决办法汇总
Win11更新导致TIA博途许可证出现问题的解决办法汇总
调节桌面图标大小的方法（编程）
如果你对其他操作系统或编程语言有类似的需求，可以根据具体的情况进行相应的调整和搜索相关的库和方法。在编程中，我们可以使用各种桌面应用程序来调节桌面图标的大小。库提供的函数，我们获取了桌面图标的窗口句柄，并使用Windows消息发送方式设置图标的大小。你可以根据自己的需求修改代码中的图标大小值，并在运行代码后观察桌面图标的变化。函数并传入所需的图标大小，这里设置为48x48像素。首先，我们需要使用Python的第三现的方法。首先，我们需要使用Python的第三方库。首先，我们需要使用实现的方法。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
388
扫一扫
