- 博客(76)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 快速上手大模型：深度学习13（文本预处理、语言模型、RNN、GRU、LSTM、seq2seq）
本文摘要介绍了文本预处理和语言模型的基础知识，以及RNN、GRU、LSTM等神经网络模型。主要内容包括：1）文本预处理步骤（读取数据、词元化、构建词表）；2）语言模型定义与实现（n元语法模型、困惑度评估）；3）RNN及其变体GRU、LSTM的原理；4）编码器-解码器架构及其在seq2seq任务中的应用。重点强调了文本预处理和语言模型的重要性，而RNN系列模型仅需了解。文中提供了完整的代码实现，包括数据处理、模型构建和评估方法。这些内容是构建大语言模型的基础知识。
2025-11-24 22:08:21
263
原创 快速上手大模型：深度学习12（目标检测、语义分割、序列模型）
本文介绍了计算机视觉中的目标检测、语义分割和序列模型三大任务。目标检测部分详细讲解了边界框表示方法及代码实现，并概述了R-CNN系列、SSD、YOLO等经典算法的发展历程和特点。语义分割部分简要说明其像素级分类的特性。序列模型部分则介绍了时间序列数据的建模方法，包括马尔科夫假设和潜变量模型等自回归模型计算方法。文章还指出当前主流算法已转向YOLOv8/v9、DINOv2、SAM等更先进的模型。
2025-11-24 11:13:50
577
原创 快速上手大模型：深度学习11（数据增强、微调、目标检测）
本文介绍了深度学习中的三种关键技术：数据增强、微调和目标检测。数据增强部分阐述了翻转、切割、颜色变换等方法，并提供了相关代码实现。微调部分讲解了预训练模型的应用方式，包括冻结层训练和完全微调，并以热狗识别为例演示代码实现。目标检测部分重点介绍了锚框生成、交并比计算和非极大值抑制算法，详细说明了边界框标注和预测的完整流程，并提供了完整的代码示例。这些技术能有效提升模型性能，特别是在数据量有限的情况下。
2025-11-23 13:59:25
696
1
原创 快速上手大模型：深度学习9（池化层、卷积神经网络1）
本文介绍了卷积神经网络的关键技术和经典模型。主要内容包括：1）池化层的作用与实现（最大/平均池化）；2）经典CNN模型（LeNet、AlexNet、VGG、NiN）的原理与代码实现，重点分析了AlexNet的架构改进（ReLU、Dropout、数据增强）和VGG的深层结构；3）计算机硬件配置查询方法（CPU、内存、GPU等），为模型训练提供硬件支持。文章提供了详细的PyTorch代码示例，涵盖网络构建、数据预处理和训练过程，并针对训练中的OOM问题给出了解决方案建议。
2025-11-20 20:45:11
1108
原创 快速上手大模型：深度学习10（卷积神经网络2、模型训练实践、批量归一化）
本文介绍了大模型训练的优化技巧和经典卷积网络实现方法。针对GPU显存不足问题，提出9种解决方案：减小batch size、降低输入分辨率、简化模型结构等，并给出CPU训练的代码示例。详细解析了GoogLeNet的Inception块设计和ResNet残差连接机制，包括网络架构和PyTorch实现代码。最后阐述了批量归一化(BN)的原理及实现，通过标准化层输入加速训练过程。文中还推荐了Kaggle等免费云GPU资源的使用方法，为计算资源有限的开发者提供了实用建议。
2025-11-20 20:43:05
416
原创 快速上手大模型：深度学习8（卷积层填充和步幅、多输入输出通道、池化层）
摘要：本文介绍了卷积神经网络中填充(Padding)和步幅(Strides)的作用及实现方法。Padding通过在输入边缘填充行列来保持特征图尺寸，避免卷积后尺寸过小；Strides通过调整滑动步长来控制输出尺寸和计算量。文中提供了PyTorch实现代码，并讨论了多输入/输出通道的处理方式，包括1×1卷积层的特殊应用。此外，还介绍了计算资源(CPU/GPU)性能的查询方法和卷积层计算复杂度的估算方法，为神经网络的实际应用提供了技术参考。
2025-11-17 20:10:12
345
原创 快速上手大模型：深度学习6（通用训练框架、训练芯片、多GPU训练）
本文介绍了基于Ubuntu20.04和PyTorch的深度学习通用训练框架。主要内容包括：1)完整的训练流程框架，涵盖数据加载、模型构建、参数初始化等核心环节；2)硬件配置部分，详细说明了GPU驱动的安装过程（推荐nvidia-driver-570版本）和验证方法；3)PyTorch中GPU调用的具体实现，包括设备检测、张量运算和神经网络部署。文中提供了可直接运行的代码示例，实现了从数据准备到模型保存的完整训练过程，并特别强调了自动检测GPU设备的功能实现。
2025-11-17 20:09:42
330
原创 快速上手大模型：深度学习5（实践：过、欠拟合）
本文介绍了多项式回归中的模型拟合问题及其解决方法。主要内容包括：1) 生成多项式数据集并进行格式转换；2) 构建模型训练框架，评估损失函数；3) 分析正常拟合、欠拟合和过拟合三种情况；4) 提出两种解决过拟合的方法：权重衰减（L2正则化）和Dropout。文章详细展示了从数据准备到模型评估的完整流程，并通过PyTorch实现演示了如何通过正则化技术控制模型复杂度，从而提高泛化能力。实验结果表明，适当的正则化能有效缓解过拟合问题。
2025-11-15 10:14:14
1038
原创 快速上手大模型：深度学习7（实践：卷积层）
摘要：本文系统介绍了全连接层和卷积层的基本概念及差异。全连接层将输入图像所有像素与输出相连，而卷积层通过局部连接实现平移不变性和局部性特征提取。详细阐述了二维交叉相关运算和卷积运算的区别，并给出数学表达式。在实现部分，展示了基于PyTorch的二维卷积运算代码实现，以及边缘检测的实例应用。通过构建特定卷积核检测图像垂直边缘，并演示了使用梯度下降学习卷积核参数的过程。最后通过实验验证了卷积层在图像特征提取中的有效性。
2025-11-15 10:13:18
837
2
原创 快速上手大模型：深度学习４（实践：多层感知机）
本文介绍了多层感知机(MLP)的实现方法。首先对比了单层感知机和MLP的区别，指出MLP通过隐藏层和激活函数(如Sigmoid、Tanh、ReLU)能够解决非线性分类问题。然后详细给出了MLP从零实现的步骤：包括模型定义、参数初始化、损失函数(交叉熵)选择和训练过程。实验在Fashion-MNIST数据集上进行，10轮训练后测试准确率达到85.38%。文章还提供了MLP的简洁实现方式，并解决了d2l包版本兼容性问题，建议安装d2l 1.0.3版本。通过修改训练函数和添加设备参数，确保了代码在新版本中的可运行
2025-11-01 16:38:30
617
原创 快速上手大模型：深度学习3（实践：线性神经网络Softmax）
本文详细介绍了Softmax回归在图像分类任务中的应用，主要包括：1) 理论回顾部分解释Softmax操作将输出转化为概率分布的过程；2) 实现步骤包含参数初始化、模型定义、交叉熵损失函数构建和分类精度评估；3) 使用Fashion-MNIST数据集进行训练和预测的完整流程。文章提供了完整的PyTorch实现代码，包括数据预处理、模型训练和评估方法。通过Softmax回归可将线性模型输出转化为多类别概率预测，是解决图像分类问题的基础方法。
2025-11-01 16:37:52
755
原创 快速上手大模型：深度学习2（实践：深度学习基础、线性神经网络）
本文介绍了深度学习实践环境的配置与线性回归模型实现的全过程。首先详细说明了在Ubuntu20.04系统下安装Miniconda、创建Python3.8虚拟环境，并安装PyTorch、Jupyter和d2l库的步骤。其次展示了数据操作和处理方法，包括广播机制、数据预处理（缺失值处理和转换为张量）以及线性代数运算。最后重点讲解了线性回归模型的构建与训练过程，包括人工数据生成、小批量处理、损失函数定义、优化算法实现等核心步骤，并提供了简洁实现方案。全流程采用PyTorch框架，适合深度学习初学者实践参考。
2025-10-27 22:43:55
719
原创 快速上手大模型：深度学习1（初识、神经网络基础）
深度学习是一种基于多层神经网络的机器学习方法，通过反向传播和梯度下降算法自动学习特征。其核心训练步骤包括：数据输入、计算损失函数、反向传播和权重更新。相比传统机器学习，深度学习能更好处理模型复杂度问题。训练攻略要点：1）合理划分训练/验证/测试集；2）临界点判别和处理（局部最小/鞍点）；3）批次大小影响训练效率和质量；4）动量方法加速收敛；5）自适应调整学习率（如RMSProp、Adam）；6）根据任务选择损失函数（MSE用于回归，交叉熵用于分类）。实践表明，小批次训练配合动量优化能取得更好效果。
2025-10-27 22:42:11
1737
原创 快速上手大模型：机器学习6（模型选择、过/欠拟合、正则化）
本文讨论了机器学习中的过拟合问题及其解决方法。以房价预测为例，分析了欠拟合、良好拟合和过拟合三种情况，指出过拟合会导致高方差和模型泛化性差。提出了三种解决方法：增加训练数据、减少特征数量和使用正则化技术。重点介绍了正则化的原理和应用，包括线性回归和逻辑回归的正则化实现，并提供了计算正则化损失函数和梯度的核心代码。正则化通过调整参数权重来平衡模型复杂度，避免过拟合或欠拟合，从而提高模型的实际应用性能。
2025-10-22 19:02:56
417
原创 快速上手大模型：机器学习5（逻辑回归及其代价函数、数值稳定、模型初始化）
本文介绍了逻辑回归的基本原理及应用。首先通过肿瘤分类示例说明线性回归不适用于分类问题，并引入逻辑函数（sigmoid函数）构建逻辑回归模型。模型通过概率输出（0-1）实现分类预测，并给出了Python代码实现。其次讨论了决策边界的定义和推导过程，包括线性和非线性情况。最后阐述了逻辑回归的代价函数构建原理，为避免非凸优化问题，采用特定损失函数，并介绍了梯度下降优化方法。本文内容涵盖了逻辑回归的核心概念、数学推导和代码实现。
2025-10-22 19:02:12
469
1
原创 快速上手大模型：机器学习4（特征缩放、学习率选择、特征工程、多项式回归）
结论：通过缩放w1*x1、w2*x2使其数值差接近，使用转换后的数据运行梯度下降算法，等高线类似于圆，梯度下降可以找到一条更直接的路径到达全局最小值。分别是x1、x2在训练集上的均值，然后用每个x1、x2算放缩后的值，找出放缩后的范围。除以区间最大值，使缩放后的点落在一个近圆上。缩放后使x1、x2在-1～1之间分布。分别是x1、x2在训练集上的均值；
2025-10-19 22:28:46
226
原创 快速上手大模型：机器学习3（多元线性回归及梯度、向量化、正规方程）
本文介绍了提升线性回归效率和性能的方法，重点讲解了多元线性回归的向量化实现。主要内容包括：1）多元线性回归模型定义；2）使用NumPy进行向量化编程，展示数组创建、索引规则和切片操作；3）详细说明向量点积运算和矩阵创建；4）演示矩阵索引方法。通过向量化实现，可以使代码更简洁高效，适用于处理多特征数据集，提升机器学习模型的运行效率。
2025-10-18 22:33:02
245
原创 ORB_SLAM2原理及代码解析:Viewer 线程——Viewer::Run()
本文介绍了ORB-SLAM2系统中可视化模块的核心实现。该模块通过Pangolin库创建交互式3D窗口，主要功能包括：初始化OpenGL环境（启用深度测试、混合等），设置虚拟相机参数，创建控制面板（含相机跟随、关键帧显示等交互选项），并在主循环中实时渲染地图点、关键帧和相机位姿。系统支持定位模式切换、视角跟随和系统重置等功能，同时通过OpenCV窗口显示当前帧图像。可视化模块通过多线程管理，能响应停止和结束信号，为SLAM系统提供了直观的调试和监控界面。
2025-10-18 18:12:29
276
原创 快速上手大模型：机器学习2（一元线性回归、代价函数、梯度下降法）
本文介绍了机器学习中一元线性回归的基本概念与应用。首先定义了一元线性回归模型f=wx+b，通过房产价格预测案例说明其作用。随后重点讲解了代价函数J(w,b)的数学表达式及其最小化的意义。最后详细阐述了梯度下降算法的实现原理，包括学习率选择、参数更新公式和批量梯度下降方法，并配以图像直观展示参数优化过程。全文通过数学公式和实例说明，系统性地构建了一元线性回归从理论到实践的知识框架。
2025-10-15 22:17:15
361
原创 快速上手大模型：机器学习1（机器学习概要、Jupyter Notebooks使用）
本文介绍了机器学习基础概念与开发环境搭建。首先定义机器学习为计算机通过经验自主提升任务表现的能力，并举例说明。其次将学习算法分为监督学习（回归/分类）、无监督学习（聚类/异常检测）及其他类型。最后详细讲解在VSCode中配置Python虚拟环境并安装Jupyter Notebook的步骤，包括Python版本确认、依赖安装、环境激活及解释器设置等操作指南，为后续机器学习实践提供开发环境支持。全文以跳棋游戏和肿瘤分类为例，帮助读者快速理解机器学习核心概念。
2025-10-15 13:32:18
956
原创 ORB_SLAM2原理及代码解析:LoopClosing 线程——LoopClosing::Run()
摘要 本文详细解析了ORB-SLAM2系统中的闭环检测模块（LoopClosing）的实现流程。该模块通过持续检查关键帧队列，执行三阶段闭环处理：1) 使用BoW词袋模型检测闭环候选帧（DetectLoop）；2) 通过RANSAC计算Sim3相似变换（ComputeSim3）；3) 进行位姿图优化和地图点融合（CorrectLoop）。重点阐述了特征匹配策略、共视一致性验证、Sim3变换求解等核心算法，并分析了多线程协同机制。实验表明，该系统能有效识别闭环并实现全局位姿优化，显著提升SLAM系统的长期一致
2025-10-12 19:51:54
439
原创 ORB_SLAM2原理及代码解析:LocalMapping 线程——LocalMapping::Run()
本文介绍了ORB-SLAM2中局部建图线程(LocalMapping)的核心功能与运行逻辑。该线程持续处理跟踪线程(Tracking)插入的新关键帧，主要完成以下工作：1)将关键帧插入地图并更新局部结构；2)通过三角化生成新地图点；3)执行局部BA优化；4)清理冗余地图点和关键帧。文章详细解析了线程的主循环流程，包括关键帧处理、地图点筛选、邻近关键帧搜索融合等关键步骤的实现细节，并说明其与闭环检测线程的协同工作机制，最终构成完整的SLAM处理流程。
2025-10-12 17:17:05
1344
原创 ORB_SLAM2原理及代码解析:Optimizer::LocalBundleAdjustment
（2）定义：SparseOptimizer.cpp。通俗理解：重投影误差小于阀值，好点；（1）声明：SparseOptimizer.h。只用于提供约束关系，防止优化时整体漂移。但这些关键帧也能观测到本地地图点；没有被选为局部关键帧；它们的位姿保持不动；
2025-10-11 22:24:53
331
原创 ORB_SLAM2原理及代码解析:LocalMapping::CreateNewMapPoints() 函数
从当前关键帧与其共视的邻居关键帧之间，通过特征点匹配 + 三角化，生成新的 3D 地图点。并返回其中的第 1/q 分位的深度值。计算当前关键帧看到的所有地图点的。（3）定义：KeyFrame.cc。（2）声明：KeyFrame.h。
2025-10-11 16:32:30
466
原创 ORB_SLAM2原理及代码解析:KeyFrame::UpdateConnections() 函数
根据当前关键帧与其它关键帧共享的地图点数量，建立“关键帧共视图（Covisibility Graph）”的连边。返回当前地图点被哪些关键帧观测到了，以及每个关键帧中对应的特征索引。（3）定义：KeyFrame.cc。（2）声明：KeyFrame.h。
2025-10-09 20:15:58
187
原创 ORB_SLAM2原理及代码解析:Tracking 线程——Tracking::Track()
摘要：本文详细解析了ORB-SLAM2跟踪线程(Tracking)的核心流程及代码实现。主要内容包括：1)初始化检查与单目/双目/RGB-D初始化；2)相机位姿估计（运动模型/关键帧匹配/重定位）；3)局部地图跟踪与关键帧管理；4)状态更新机制。重点分析了Track()函数的执行逻辑，涵盖初始化判断、位姿估计、局部地图优化、关键帧插入条件等关键步骤，并详细说明了各子函数的作用及参数含义。该跟踪系统通过多策略融合实现鲁棒定位，同时保持对地图点和关键帧的有效管理，为后续建图提供可靠数据。
2025-10-08 16:35:27
1622
原创 ORB_SLAM2原理及代码解析：Tracking::NeedNewKeyFrame() && Tracking::CreateNewKeyFrame()函数
本文摘要： 文章详细解析了ORB-SLAM2系统中关键帧管理相关的两个核心函数：NeedNewKeyFrame()和CreateNewKeyFrame()。NeedNewKeyFrame()通过多重条件判断（如时间间隔、局部建图状态、跟踪质量、特征点匹配比例等）决定是否生成新关键帧，包含针对单目/双目/RGB-D传感器的差异化处理逻辑。CreateNewKeyFrame()则负责实际创建关键帧，包括设置局部建图状态、构建关键帧对象、处理近距离地图点（双目/RGB-D）、更新观测数据等。文中还深入剖析了支撑函
2025-10-08 15:01:07
199
原创 ORB_SLAM2原理及代码解析:Tracking::TrackLocalMap() 函数
在已有相机初始位姿的基础上，利用局部地图中的点进一步匹配、优化相机姿态，并判断跟踪是否成功。
2025-10-07 20:42:31
218
原创 ORB_SLAM2原理及代码解析：Tracking::Relocalization() 函数
ORB-SLAM2重定位机制在跟踪失败时，通过关键帧数据库重新确定相机位姿。其流程包括：1)构建当前帧词袋向量；2)从数据库检索相似候选关键帧；3)对每个候选帧进行BoW匹配，筛选匹配点≥15的关键帧；4)建立PnP求解器，通过RANSAC迭代计算位姿；5)优化位姿后若内点不足，则通过投影搜索补充匹配；6)最终需≥50个内点才判定重定位成功。该机制采用分层策略，结合词袋匹配、PnP-RANSAC和投影搜索，确保在复杂环境中仍能恢复定位。
2025-10-07 18:53:57
838
原创 ORB_SLAM2原理及代码解析：Tracking::TrackWithMotionModel() 函数
本文介绍了基于运动模型的视觉跟踪方法。该方法首先通过ORB匹配器预测当前帧位姿，并利用投影匹配跟踪上一帧的地图点。具体步骤包括：1)初始化ORB匹配器；2)更新上一帧位姿信息；3)利用运动模型预测当前帧位姿；4)清空当前帧地图点；5)通过投影匹配搜索特征点；6)在匹配数不足时扩大搜索范围；7)优化位姿并剔除外点。系统根据匹配点数量判断跟踪状态：在仅定位模式下，匹配数>20为成功；在建图模式下，匹配数≥10为成功。该方法通过分层搜索和旋转一致性检查提高了匹配效率。
2025-10-06 20:52:33
1104
原创 ORB_SLAM2原理及代码解析:Tracking::TrackReferenceKeyFrame() 函数
本文描述了基于ORB-SLAM2的跟踪模块中参考关键帧匹配方法。该方法首先计算当前帧的词袋向量（BoW），然后与参考关键帧进行特征匹配，若匹配点数超过15则进行位姿优化。优化过程使用g2o库构建图优化，通过4轮迭代（含外点剔除）最小化重投影误差，最终更新当前帧位姿并统计有效地图点数量。完整流程包括：词袋向量转换、特征匹配、PnP位姿估计、Bundle Adjustment优化、外点剔除等步骤。该方法通过词袋快速匹配和鲁棒优化，实现了高效准确的帧间位姿估计。
2025-10-06 15:22:41
579
原创 ORB_SLAM2原理及代码解析：单应矩阵H、基础矩阵F求解
用于评估给定单应矩阵 H21（Frame1 → Frame2）是否正确，通过检查匹配点的重投影误差，计算一个评分，并标记每个匹配点是否为内点。vPn1, vPn2(归一化后匹配点集合) ← Normalize() → T1, T2。└─ 若得分更高 → 更新 H21, vbMatchesInliers, score。├─ 从 mvSets[it] 抽取 8 对匹配点。mvKeys1, mvKeys2 (去畸变关键点)mvMatches12 (匹配点索引集合)
2025-10-04 14:53:42
648
原创 ORB_SLAM2原理及代码解析：Tracking::CreateInitialMapMonocular() 函数
该代码实现了单目SLAM系统的初始地图创建，主要功能包括：1.创建初始关键帧和当前关键帧，计算词袋表示；2.根据匹配关系建立地图点与关键帧的双向观测关系；3.执行全局Bundle Adjustment优化相机位姿和地图点；4.进行尺度归一化处理（因单目无法直接获取绝对尺度）；5.更新关键帧连接关系，并将地图数据传递给LocalMapping线程。代码通过计算场景中值深度进行尺度归一化，确保初始地图具有合理的尺度，并设置了跟踪状态为OK，为后续SLAM流程奠定基础。整个过程包含了特征匹配、位姿估计、三维重建和
2025-10-04 14:52:57
349
原创 ORB_SLAM2原理及代码解析：Tracking::MonocularInitialization() 函数
基于单目相机的SLAM初始化过程主要包括：1）选择特征点数量>200的参考帧和当前帧；2）通过ORB特征匹配寻找对应点，要求匹配数>100对；3）使用RANSAC算法估计相机位姿(R,t)和三角化生成初始3D点云；4）当满足条件时建立初始地图。关键步骤涉及特征匹配、RANSAC迭代优化和三角化计算，其中RANSAC通过随机采样和模型验证来剔除异常点，确保位姿估计的鲁棒性。整个过程通过严格的阈值控制来保证初始化的准确性。
2025-10-03 15:40:00
1181
原创 ORB_SLAM2原理及代码解析：Initializer::Initialize() 函数
摘要：本文介绍了基于双视角的单目视觉初始化方法，通过匹配点对估计相机位姿并重建3D点。关键步骤包括：1)使用RANSAC方法生成8点随机采样集；2)并行计算单应矩阵H和基础矩阵F；3)根据模型得分选择最优解（RH>0.40选H，否则选F）；4)通过ReconstructH/F函数恢复相机位姿(R,t)和3D点结构。其中，ReconstructH利用SVD分解得到8种运动假设，通过检查三角化点数和视差选择最佳解；ReconstructF则从基础矩阵分解出4种运动假设进行验证。该方法实现了从二维匹配点到三
2025-10-03 15:26:21
267
原创 ORB_SLAM2原理及代码解析：ORBmatcher::SearchForInitialization() 函数
该代码实现了ORB特征点匹配功能，主要用于单目SLAM初始化阶段。核心流程包括：1）通过网格搜索在限定窗口范围内寻找候选匹配点；2）计算描述子距离并筛选最优/次优匹配；3）应用NN比率测试和双向一致性检查；4）利用旋转直方图剔除异常匹配（保留三个主方向）。算法通过多级筛选确保匹配质量，最终返回有效匹配数量并更新匹配关系。关键优化包括：分桶策略加速搜索、金字塔层级过滤、旋转一致性校验等，在保证精度的同时提升计算效率。
2025-10-03 15:17:38
151
原创 ORB_SLAM2原理及代码解析：InsertKeyFrame() 函数
（2）定义：LocalMapping.cc。（1）声明：LocalMapping.h。
2025-10-02 19:17:27
160
原创 ORB_SLAM2原理及代码解析：MapPoint::UpdateNormalAndDepth() 函数
以便后续在跟踪或重建中判断该点是否可见。即把地图点的方向和深度信息 重新计算一遍。将向量单位化，只考虑方向，忽略大小。（2）定义：MapPoint.cc。（2）定义：KeyFrame.cc。（1）声明：MapPoint.h。（1）声明：frame.h。
2025-10-02 18:49:41
347
原创 ORB_SLAM2原理及代码解析：MapPoint::ComputeDistinctiveDescriptors() 函数
每个地图点可能被多个关键帧观察到，每个关键帧有自己的 ORB 描述子。由于噪声、视角和光照变化，同一个地图点在不同关键帧的描述子可能略有差异。该函数为MapPoint选择一个最具代表性的描述子，用于之后的匹配。MapPoint → 关键帧 → 收集描述子 → 计算距离 → 选中代表性描述子 → 更新 mDescriptor。则observations里面存的是KF1 → 10，KF2 → 35。该 MapPoint 在该关键帧里的 ORB 描述子。存储的是地图点被哪些关键帧观测到了。的第 35 个特征点。
2025-10-02 17:16:12
405
原创 ORB_SLAM2原理及代码解析：AddMapPoint() 函数
在关键帧内部，把某个特征点和生成的地图点关联起来。（2）定义：KeyFrame.cc。（1）声明：KeyFrame.h。（2）：定义：Map.cc。（1）声明：Map.h。
2025-10-01 17:01:10
233
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人