- 博客(3)
- 收藏
- 关注
原创 CNN-SVO论文解读
svo在初始化地图点时,有更大的深度不确定性,图1a由于有更大的极线搜索范围,导致了错误的特征匹配 这篇论文提出了一个新的地图点初始化方法,基于单图像深度预测神经网络的深度先验(以预测的深度为中心将有更小的方差),因此对应特征点的识别的不确定性减小(如图1b)。由于更好的特征匹配和深度不确定的减小,地图点的深度将会更快的收敛 svo算法的综述 略 改进的地图点初始化 cnn-svo能够获得更好的均值估计和更小的初始方差。 给定一系列三角测量的深度,深度滤波器的作用是把好的测量从坏的测量中分离出来:好的测量.
2021-05-31 21:55:42
677
1
原创 视觉slam14讲第二版ch7的pose_estimation_2d2d.cpp的代码注释(自己理解的)
按我自己的理解,注释了视觉slam14讲第二版ch7的pose_estimation_2d2d.cpp #include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/features2d/features2d.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/calib3d/calib3d.hpp>
2021-04-28 21:10:52
507
2
原创 奇异值分解SVD
奇异值分解SVD(第一次写博文,不好的地方望理解)写在前面SVD 写在前面 第一次写博文,把这里当做自己的学习总结的地方,如果有不对的地方可以评论或者私信我,希望大家不吝赐教! SVD SVD,中文称作奇异值分解,我先说说我为什么会学这个,我是在看视觉slam十四讲的时候,如何在已知两张图像上的匹配点的像素的情况下,估计相机的运动,里面提到了本质矩阵,对本质矩阵进行奇异值分解。 学过线性代数的都知道,方阵可以求解特征值和与特征值对应的特征向量,但是,这个只是针对方阵而言的。对于非方阵,比如Amxn,这里的m
2021-04-28 20:45:51
150
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