<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[周吴郑王]]></title><description><![CDATA[http://zengzeyu.com]]></description><link>https://blog.youkuaiyun.com/zengzeyu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zengzeyu]]></copyright><item><title><![CDATA[基于栅格高度特征的激光雷达点云悬挂物分割]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/80239326</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/80239326</guid><author>zengzeyu</author><pubDate>Thu, 17 Oct 2019 17:36:44 +0800</pubDate><description><![CDATA[ 

欢迎访问我的个人博客： zengzeyu.comzengzeyu.comzengzeyu.com  

 



前言



 



正文1





1.1 正文1节

 



正文2





2.1 正文2节

  
以上。



参考文献： 
 1. 参考文献1 
 2. 参考文献2...]]></description><category></category></item><item><title><![CDATA[C++中的inline用法]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/80249694</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/80249694</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 18:05:52 +0800</pubDate><description><![CDATA[1. 引入inline关键字的原因


在c/c++中，为了解决一些频繁调用的小函数大量消耗栈空间（栈内存）的问题，特别的引入了inline修饰符，表示为内联函数。

栈空间就是指放置程序的局部数据（也就是函数内数据）的内存空间。

在系统下，栈空间是有限的，假如频繁大量的使用就会造成因栈空间不足而导致程序出错的问题，如，函数的死循环递归调用的最终结果就是导致栈内存空间枯竭。

下面我们来看一个例...]]></description><category></category></item><item><title><![CDATA[boost::serialize(序列化)和boost::deserialize(反序列化)类对象型数据并通过socket网络传输]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/80170873</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/80170873</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 18:04:48 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



前言



  
 用户界面显示后台处理结果

在自动驾驶领域，激光雷达与主机通过网线连接，实现二者的实时通信（主要是激光雷达发送扫描数据到主机）。同时，在接收到雷达数据之后，后台处理系统到前端用户显示界面，也需要通过上述方法进行通信，因为后台处理系统一般都不自带显示器，例如PX-2，TX2等平台就提供网线接口。 
本文以速腾聚创公司16...]]></description><category></category></item><item><title><![CDATA[基于条件随机场的地面点云分类与分割]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79899753</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79899753</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 18:03:54 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



前言



继上篇《基于几何特征的地面点云分割》之后，本文紧接着对其他地面点分割方法进行了研究，在最近的英伟达开发者大会（Nvidia GTC）上，获悉了一篇使用时空条件随机场方法（SpatioTemporal Conditional Random Fields）对地面点云进行分割方法(详情请见本博客翻译博文《Ground Estimat...]]></description><category></category></item><item><title><![CDATA[主函数main中变量(int argc,char *argv[])的含义]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/80031235</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/80031235</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 18:03:30 +0800</pubDate><description><![CDATA[看过多个Linux下的软件的源代码，发现很多项目都有int main(int argc,char *argv[]) ，在网上找到如下的说明。     

我刚接触到这两个变量时，根本不知道它们是用来做什么的，我想很多人也跟我一样，刚看到这两个变量时也是稀里糊涂的。

其实:int main(int argc,char *argv[]) 是 UNIX 和 Linux 中的标准写法，也可以写作指针的指...]]></description><category></category></item><item><title><![CDATA[KITTI 原始点云数据（PCL）地面点分割]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79729427</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79729427</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 18:01:28 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客网站：zengzeyu.com

 



前言



自动驾驶系统中，对激光雷达获取的点云数据进行地面点分割是第一步，地面点分割结果的好坏直接影响聚类，识别和追踪效果。在对地面点分割过程中，前人尝试了许多方法，部分方法结果请参考本人博文《基于几何特征的地面点云分割》。所以，地面点分割是自动驾驶激光雷达点云处理永恒的话题。目前，基于几何特征的地面点分割都基于各自的前提假设，大多...]]></description><category></category></item><item><title><![CDATA[基于几何特征的地面点云分割方法（汇总）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79661265</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79661265</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 17:59:50 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客： zengzeyu.com

 

前言



激光雷达扫描得到的点云含有大部分地面点，这对后续障碍物点云的分类、识别和跟踪带来麻烦，所以需要首先滤波滤掉。传统的基于几何特征的滤波是最基本最简单的方法，目前本文尝试的有如下几种：


水平面校准
法向量
栅格高度差
栅格最低高度以上0.2米
绝对高度
平均高度


以上方法基于假设是地面点云所构成的地面为平面，而不是弧面，当然...]]></description><category></category></item><item><title><![CDATA[My Deep Learning Paper Lib(2019)]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/87286330</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/87286330</guid><author>zengzeyu</author><pubDate>Wed, 04 Sep 2019 17:57:53 +0800</pubDate><description><![CDATA[2019.




paper
source -




Visualizing the Loss Landscape of Neural Nets
PDF/video/code



PDF/video/code



]]></description><category></category></item><item><title><![CDATA[My Computer Vision Paper Library (2018)]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/86714286</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/86714286</guid><author>zengzeyu</author><pubDate>Wed, 13 Feb 2019 10:20:16 +0800</pubDate><description><![CDATA[2018.




paper
source -




O-CNN : Octree-based Convolutional Neural Networks for 3D Shape Analysis
PDF/video/code


OctNet: Learning Deep 3D Representations at High Resolutions
PDF/video/code


Par...]]></description><category></category></item><item><title><![CDATA[FCN源码解读之voc_layers.py]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/80583004</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/80583004</guid><author>zengzeyu</author><pubDate>Tue, 05 Jun 2018 16:15:19 +0800</pubDate><description><![CDATA[voc_layers.py是FCN中利用python写的数据层（即使用caffe的Python API 写的数据输入层），其格式是相对固定的，包含setup()、reshape()、forward()、backward()四个必要函数。

其源码如下： 
[python] view plain copy

import caffe  

import numpy as np  
from PIL ...]]></description><category></category></item><item><title><![CDATA[条件随机场 FlexCRFs 库使用教程]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79924505</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79924505</guid><author>zengzeyu</author><pubDate>Thu, 31 May 2018 17:36:12 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



前言



条件随机场（CRF）目前比较流行开源库有两个：


CRF++： https://web.archive.org/web/20100421020327/http://crfpp.sourceforge.net/
FlexCRFs： http://flexcrfs.sourceforge.net/


这两个库都是为自然语言处理...]]></description><category></category></item><item><title><![CDATA[Markdown 文本编辑图片居中显示以及题注]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79911472</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79911472</guid><author>zengzeyu</author><pubDate>Thu, 12 Apr 2018 11:43:07 +0800</pubDate><description><![CDATA[图片居中显示



Markdown 自带语法好像没有对图片居中显示有说明，对于较小尺寸的图片如果不能放大显示，那么只能按照默认靠左格式进行显示，完全不符合本人审美！

![Screenshot from 2018-04-12 10:51:38.png](https://upload-images.jianshu.io/upload_images/10028058-8f88a15298d8ef12...]]></description><category></category></item><item><title><![CDATA[神经网络模型无法正常工作时我们应该做什么（系列）——正则化（Regularlization）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79899246</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79899246</guid><author>zengzeyu</author><pubDate>Wed, 11 Apr 2018 16:48:39 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



前言



当你进入深度学习领域，准备好深度神经网络，开始进行训练时，遇到这样一个大部分新手都会遇到的问题：你的神经网络没法正常工作，而你不知道该如何去修正它。你去问你的老板或者导师，他们也不知道该如何处理，因为在深度神经网络面前，他们和你一样也是新手。那么现在该如何来处理呢？ 
幸运的是我来啦！我列出了几乎所有新手都会犯的错误，以及我自...]]></description><category></category></item><item><title><![CDATA[error: ‘strcmp’ was not declared in this scope]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79894808</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79894808</guid><author>zengzeyu</author><pubDate>Wed, 11 Apr 2018 12:50:41 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



问题描述



编译 FlexCRFs 库中出现问题：

error: ‘strcmp’ was not declared in this scope

另外其他类似问题：

 error: ‘strcpy’ was not declared in this scope



error: ‘strlen’ was not declare...]]></description><category></category></item><item><title><![CDATA[Ground Estimation and Point Cloud Segmentation using SpatioTemporal Conditional Random Field （精读）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79806713</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79806713</guid><author>zengzeyu</author><pubDate>Wed, 04 Apr 2018 11:22:46 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 



前言



译者按：时空条件随机场（Spatio-Temporal Conditional Random Field，STCRF），所谓“时空”在此论文中：“时”表示，模型与前一时刻 t-1 的地面估计相关；“空”表示与当前时刻 t 的当前空间分布有关。（具体参照正文中的时空模型）

 



摘要（Abstract）



无论是生成训...]]></description><category></category></item><item><title><![CDATA[Ground Segmentation based on Loopy Belief Propagation for Sparse 3D Point Clouds （论文速读）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79795352</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79795352</guid><author>zengzeyu</author><pubDate>Mon, 02 Apr 2018 21:39:40 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

Abstract





在使用3D激光雷达进行局部环境感知任务中，地面点分割是中重要的预处理任务，并且在起伏不平和倾斜的非结构化环境中非常具有挑战性。为了解决地面分割问题，我们提出了一种新型的基于代价的地面估计模型，该模型被并入马尔科夫随机场（Markov Random Field）中，并使用循环信念传播（loopy belief propag...]]></description><category></category></item><item><title><![CDATA[神经网络模型无法正常工作时我们应该做什么（系列）——初始化网络权重（Initialized Network Weights）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79784886</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79784886</guid><author>zengzeyu</author><pubDate>Mon, 02 Apr 2018 20:42:21 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 

前言



当你进入深度学习领域，准备好深度神经网络，开始进行训练时，遇到这样一个大部分新手都会遇到的问题：你的神经网络没法正常工作，而你不知道该如何去修正它。你去问你的老板或者导师，他们也不知道该如何处理，因为在深度神经网络面前，他们和你一样也是新手。那么现在该如何来处理呢？ 
幸运的是我来啦！我列出了几乎所有新手都会犯的错误，以及我自己和...]]></description><category></category></item><item><title><![CDATA[神经网络模型无法正常工作时我们应该做什么（系列）——学习率（Learning Rate）]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79784952</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79784952</guid><author>zengzeyu</author><pubDate>Mon, 02 Apr 2018 20:42:10 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 

前言



当你进入深度学习领域，准备好深度神经网络，开始进行训练时，遇到这样一个大部分新手都会遇到的问题：你的神经网络没法正常工作，而你不知道该如何去修正它。你去问你的老板或者导师，他们也不知道该如何处理，因为在深度神经网络面前，他们和你一样也是新手。那么现在该如何来处理呢？ 
幸运的是我来啦！我列出了几乎所有新手都会犯的错误，以及我自己和...]]></description><category></category></item><item><title><![CDATA[神经网络模型无法正常工作时我们应该做什么（系列）——Batch Size]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79784921</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79784921</guid><author>zengzeyu</author><pubDate>Mon, 02 Apr 2018 20:42:00 +0800</pubDate><description><![CDATA[欢迎访问我的个人博客：zengzeyu.com

 

前言



当你进入深度学习领域，准备好深度神经网络，开始进行训练时，遇到这样一个大部分新手都会遇到的问题：你的神经网络没法正常工作，而你不知道该如何去修正它。你去问你的老板或者导师，他们也不知道该如何处理，因为在深度神经网络面前，他们和你一样也是新手。那么现在该如何来处理呢？ 
幸运的是我来啦！我列出了几乎所有新手都会犯的错误，以及我自己和...]]></description><category></category></item><item><title><![CDATA[libtool错误的解决方法]]></title><link>https://blog.youkuaiyun.com/zengzeyu/article/details/79791104</link><guid>https://blog.youkuaiyun.com/zengzeyu/article/details/79791104</guid><author>zengzeyu</author><pubDate>Mon, 02 Apr 2018 20:41:42 +0800</pubDate><description><![CDATA[XXXXXXX/source/lib/libmedia/mediastreamer_mipsel/libogg-1.3.0/src'
/bin/sh ../libtool --tag=CC   --mode=compile mipsel-linux-gcc -DHAVE_CONFIG_H -I. -I.. -I../include -I../include    -O20 -Wall -ffast...]]></description><category></category></item></channel></rss>