惊鸿一博

基本情况题目：DeepFusion: real-time dense 3D reconstruction for monocular SLAM using single-view depth and gradient predictions （深度融合: 基于单视图深度和梯度预测的单目SLAM实时稠密三维重建） 作者：Laidlow, T., Czarnowski, J., & Leutenegger, S Dyson Robotics Laboratory, Imperial Co

论文出处题目： Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image 出处： Mal F, Karaman S. Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image[C]. international conference on robotics and automation, 2018: 1-

如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要调整哪些参数？这些参数要调到什么值，才能达到理想的输出？这篇文章最适合刚刚接触XGBoost的人阅读。

n_estimators的极限已达到，我们才考虑其他参数，但XGB中的状况明显更加复杂，当数据集不太寻常的时候会更加。了，即便只有很少的数据， 模型也能够学到训练数据100%的信息，所以XGB也是天生过拟合的模型。首先，XGB中的树的数量决定了模型的学习能力，树的数量越多，模型的学习能力越强。第二，XGB中树的数量很少的时候，对模型的影响较大，当树的数量已经很多的时候，对模型的影响比较小，只能有。第三，树的数量提升对模型的影响有极限，最开始，模型的表现会随着XGB的树的数量一起提升，但到达某个点之。

提高神经网络的泛化能力。

目录1. pytorch中的数据类型1.1 标量——维度为0——用于loss1.2向量——维度为1——用于bias、线性输入数据1.3二维tensor1.4三维tensor1.5四维tensor1.6 其他引言：pytorch是面向计算的GPU加速库，所以里面的所有操作对象都是tensor(张量)。本文主要介绍pytorch中的数据类型，tensor的创建，索引与切片，维度变换、拼接与拆分、基本数学运算、属性统计等函数功能及示例。（参考：深度学习入门_哔哩哔哩_...

目录基本情况摘要1. 引言2. 相关工作3. TANDEM4. 实验结果基本情况出处：Koestler L, Yang N, Zeller N, et al. TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo[C]//5th Annual Conference on Robot Learning. 2021. （会议简称：CoRL）单位：TUM论文介绍地址：​​​​

目录1. 加载MNIST的train数据和test数据2. 定义神经网络3. 使用定义的网络进行训练4. 使用测试集，计算预测精度1. 加载MNIST的train数据和test数据import torchimport torchvision # 处理图像视频, 包含一些常用的数据集、模型、转换函数等等from torch import nn, optimfrom torch.nn import functional as Ffrom matplotlib import

前言真的是千呼万唤始出来emmmm，去年春招结束写了篇面试的经验分享。在文中提到和小伙伴整理了算法岗面试时遇到的常见知识点及回答，本想着授人以渔，但没想到大家都看上了我家的 ！但因本人执行力不足，被大家催到现在才终于想着行动起来分享给大家，笔者在这里给各位读者一个大大的抱歉，求原谅呜呜~~相信今年参加秋招的小伙伴们一定都拿到理想的offer啦，明年准备找工作的小盆友如果觉得本文还有些用可以收藏哈。由于篇幅限制，就先发出前半部分，后面等下回笔者得空哈~另外欢迎小伙伴们转发！转发！再转发呀！！第一章

目录1. 什么是梯度下降法？2. 举个例子3. 完整代码示例1. 什么是梯度下降法？以函数求解最小值为例：y= x^2:改变自变量x的值，让梯度y’（因自变量的导数）逐渐减小到0，从而使y达到最小。以求解模型参数为例：y = ax+b: 我们想要通过采样值(x,y) 求解模型中参数a和b, 则需要构造一个损失函数loss：loss =(ax+b – y)^2: 求使loss最小时的a和b. 即等价于函数求解最小值。更详细的说：例如：y = x^2y’ ...

说明最近在使用pytorch的时候，模型训练时，不需要使用forward，只要在实例化一个对象中传入对应的参数就可以自动调用 forward 函数. (model(args-list) 等价于 model.forward(args-list))forward 的使用class Module(nn.Module): def __init__(self): super(Module, self).__init__() # ......

目录基本情况摘要I. 引言II. 相关工作III. 方法IV. 实验结果V. 总结参考基本情况出处：Hu M, Wang S, Li B, et al. Towards Precise and Efficient Image Guided Depth Completion[J]. arXiv e-prints, 2021: arXiv: 2103.00783. 单位： 浙江大学，College of Information Science and Electroni

基本情况出处：Lee, J. H., Han, M. K., Ko, D. W., & Suh, I. H. (2019). From big to small: Multi-scale local planar guidance for monocular depth estimation.arXiv preprint arXiv:1907.10326. 作者：Jin Han Lee, Myung-Kyu Han, Dong Wook Ko and Il Hong Suh 开源代码：ht.

目录一、epoch、batch_size和iteration名词解释，关系描述二、问题思考三、总结一、epoch、batch_size和iteration名词解释，关系描述epoch：所有的样本空间跑完一遍就是一个epoch； batch_size：指的是批量大小，也就是一次训练的样本数量。我们训练的时候一般不会一次性将样本全部输入模型，而是分批次的进行训练，每一批里的样本数量就是batch_size； iteration：1个iteration就是一个batch_size训练结束。

基本情况标题：Towards Interpretable Deep Networks for Monocular Depth Estimation 作者：Zunzhi You,Yi-Hsuan Tsai,Wei-Chen Chiu,Guanbin Li 机构：Sun Yat-sen University, NEC Laboratories America, National Chiao Tung University 备注：Accepted by ICCV2021 链接：https://arxi

基本情况出处：W. Van Gansbeke, D. Neven, B. De Brabandere, and L. Van Gool, “Sparse and noisy lidar completion with rgb guidance and uncertainty,” ArXiv preprint arXiv:1902.05356, 2019.开源代码：https://github.com/wvangansbeke/Sparse-Depth-Completion摘要单目深度预测方法

目录1 环境搭建2 需要的文件2.1 pykitti中的默认的文件位置2.2 preprocess | 运行 kitti_maps.py 需要的文件2.3 preprocess | 运行 kitti_maps.py 生成的文件2.4 Training | 运行 main_visibility_CALIB.py 需要的文件2.5 Evaluation | 运行 evaluate_iterative_single_CALIB.py 需要的文件3 运行命令1 环境搭建1..

基本情况出处：Zhang Y, Xu S, Wu B, et al. Unsupervised Multi-View Constrained Convolutional Network for Accurate Depth Estimation[J]. IEEE Transactions on Image Processing, 2020, 29: 7019-7031. School of Artificial Intelligence, University of Chinese Academy .

文章：Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review作者：Yaodong Cui, IEEE, Ren Chen, Wenbo Chu, Long Chen论文摘要在过去的几年里，自动驾驶汽车得到了迅速的发展。然而，由于驾驶环境的复杂性和动态性，实现完全自主并非易事。因此，自动驾驶车辆配备了一套不同的传感器，以确保强健、准确的环境感知。尤其是摄像机融合正成为一个新兴的研究主题。然而...

基本信息题目：CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps 出处：Cattaneo D, Sorrenti D G, Valada A. CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps[J]. arXiv preprint arXiv:2004.13795, 2020. 演示：htt.

基本情况论文：Unsupervised Learning of Depth and Ego-Motion from Video 出处：Zhou T, Brown M, Snavely N, et al. Unsupervised learning of depth and ego-motion from video[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 1851-

基本情况题目：Single-viewandmulti-view depth fusion 出处：Fácil J M, Concha A, Montesano L, et al. Single-view and multi-view depth fusion[J]. IEEE Robotics and Automation Letters, 2017, 2(4): 1994-2001. video:https://www.youtube.com/watch?v=ipc5HukTb4k&f...

基本情况题目：Consistent Video Depth Estimation 视频演示：https://mp.weixin.qq.com/s/fu4dRXztbgtKzmCDh9sP7Q 论文和项目主页：https://roxanneluo.github.io/Consistent-Video-Depth-Estimation/ 代码下载链接 :https://github.com/facebookresearch/consistent_depth ...

本文来自博主：流浪机器人，仅用于学术分享，侵删原文地址：https://blog.youkuaiyun.com/qq_26623879/article/details/108847218Self-supervised Sparse-to-Dense: Self-supervised Depth Completion from LiDAR and Monocular Camera输入RGB以及稀疏LiDARs 由Depth 网络预测深度，然后在有深度的情况下用OPENCV 的 cv2.xfeatures2

1摘要同步定位与建图在移动机器人自主导航中起着重要的作用.大多数视觉SLAM方法使用关键点进行跟踪,但由于光线条件不确定和视点频繁变化,其性能受到任务中不稳定地标的影响.对于低纹理环境中的视觉SLAM,尤其是在室内建筑中,这种情况变得更糟,在室内建筑中,辅助人工标记可以用于在更大范围的环境下提高鲁棒性检测.受这一思想的启发,本文开发了一个集成关键点和人工标记的可视化SLAM系统.构建了一个图形优化问题,通过考虑关键点的重投影误差和标记的影响来优化轨迹.在SPM数据集上的实验结果表明,与最...

基本情况题目：Real-time 3d reconstruction in dynamic scenes using point-based fusion 出处：Keller M, Lefloch D, Lambers M, et al. Real-time 3d reconstruction in dynamic scenes using point-based fusion[C]//2013 International Conference on 3D Vision-3DV 2013. IEEE,

1. 文章以及整体结构文章：DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks（基于深度循环卷积神经网络的端到端视觉里程计）作者：Sen Wang, Ronald Clark, Hongkai Wen and Niki Trigoni来源：ICRA2017deepvo网络结构如下：CNN+RNNs （单目VO）CNN网络的结构：RNNs网络的结构：（学习完理解

基本情况题目：Self-supervised sparse-to-dense: Self-supervised depth completion from lidar and monocular camera 出处：Ma, F., Cavalheiro, G. V., & Karaman, S. (2019, May). Self-supervised sparse-to-dense: Self-supervised depth completion from lidar and monocu

基本情况题目：Deep Depth Completion of a single RGB-D Image 出处：Zhang, Y., & Funkhouser, T. (2018). Deep depth completion of a single rgb-d image. InProceedings of the IEEE Conference on Computer Vision and Pattern Recognition(pp. 175-185).摘要我们工作的目标是完成..

基本情况题目：Scale Recovery for Monocular Visual Odometry Using Depth Estimated with Deep Convolutional Neural Fields 出处：Yin, X., Wang, X., Du, X., & Chen, Q. (2017). Scale recovery for monocular visual odometry using depth estimated with deep convolution

传统的图像识别问题往往通过分治法将其分解为预处理，特征提取和选择，分类器设计等若干步骤。分治法的动机是将图像识别的母问题分解为简单、可控且清晰的若干小的子问题。不过分步解决子问题时，尽管可以在子问题上得到最优解，但子问题上的最优解并不意味着就能得到全局问题的最优解。 深度学习提供了一种端到端的学习范式，整个学习的流程并不进行人为的子问题划分，而是完全交给深度学习模型直接学习从原始数据到期望输出的映射。 对深度模型而言，其输入数据是未经任何人为加工的原始样本形式，后续则是堆叠在输...

Deep Depth Completion of a single RGB-D Image状态：开源，pytorch，matlab，C++下载地址: https://github.com/yindaz/DeepCompletionRelease思路：目前效果最好(截止至2019. 06)，耗时长。使用rgb image作为输入预测物体表面稠密法线及遮挡区域的边缘信息。使用这些预测结果与原始的depth图像结合，通过全局优化，对原始图像中像素缺失问题进行解决。由于现有数据集中ground trut

目录1.定义1.1 图1.2 概率图模型（PGM）（1）有向图的联合概率：（2）概率无向图模型：1.3 马尔可夫性1.4 团与最大团1.5 概率无向图模型的联合概率分布1.6 条件随机场1.7 线性链条件随机场2.条件随机场的不同形式2.1 条件随机场的参数化形式2.2 条件随机场的简化形式2.3 条件随机场的矩阵形式3.概率计算问题3.1 前向-后向算法3.2 概率计算3.3 期望值计算4.学习算法（参数估计）5.预测算法（.

目录一 主要针对自动驾驶：1.KITTI数据集：2.Oxford数据集 ：二 包含Depth的SLAM与三维重建数据集：1.ASL Kinect数据集2.ASL RGB-D 数据集3.TUM RGB-D：4.ICL-NUIM:5.VaFRIC：三 不含Depth的SLAM数据集：1.ASL EuRoC：2.TUM VI banchmark：3.TUM monoVO:4.TUM LSD ：四 包含语义的数据集：1.NYU:2.Matte...

题目：Discrete-Continuous Depth Estimation from a Single Image摘要：在本文中，我们在解决从单张图像估计场景深度的问题。这是一项具有挑战性的任务，因为单个图像本身无法提供任何深度提示。为了解决这个问题，我们利用已知深度的图像池。更具体地说，我们将单目深度估计公式化为离散连续优化问题，其中连续变量编码输入图像中超像素的深度，而离散变量代表相邻超像素之间的关系。

目录基本情况ORBSLAM的不足之处：贡献原文翻译摘要1. INTRODUCTION2. RELATED WORK3. ORBSLAM-A TLAS MULTI - MAP REPRESENTATIONA. Multi-map representationB. New map creation criteriaC. Camera pose observabilityD. Relocalization in multiple mapsIV. SEAMLESS

基本情况题目：Semi-Supervised Deep Learning for Monocular Depth Map Prediction 出处：Kuznietsov, Y., Stuckler, J., & Leibe, B. (2017). Semi-supervised deep learning for monocular depth map prediction. InProceedings of the IEEE conference on computer vision a.

基本情况题目:Conditional Random Fields as Recurrent Neural Networks出处：Zheng, S., Jayasumana, S., Romera-Paredes, B., Vineet, V., Su, Z., Du, D., ... & Torr, P. H. (2015). Conditional random fields as recurrent neural networks. InProceedings of the IEEE..

基本情况题目：Deep ordinal regression network for monocular depth estimation 出处：Fu, H., Gong, M., Wang, C., Batmanghelich, K., & Tao, D. (2018). Deep ordinal regression network for monocular depth estimation. InProceedings of the IEEE Conference on Comput.

基本信息题目：Learning depth from single monocular images using deep convolutional neural fields 出处：Liu, F., Shen, C., Lin, G., & Reid, I. (2015). Learning depth from single monocular images using deep convolutional neural fields.IEEE transactions on patt.