个人向git使用命令总结
个人向git命令总结大全
最近打算入门《Hello 算法》这本教程，打算基于==Python==、==C++==、==Rust==三个语言来学习这本教程，主要是针对数据结构及算法这些层面，来给自己做一个入门。
其中涉及到一些东西，比如说环境的安装（Rust的我连安装都不会），还有一个比较重要的是，我会在实验室的Windows台式机和宿舍的Macbook两个电脑上进行学习，如果只是学习算法不敲代码就还好，一些网页或者文档同步就比较简单，用Onedrive或者NAS同步就行。但是如果学算法不自己手敲的话，岂不是相当于没学么？这个时候代码同步托管平台的重要性就显现出来了，首选肯定是github，这就免不了使用git命令了。但是鄙人实在是不太精通git的使用，所以网上搜罗，并且手敲，花了一下午的时间基本搞清楚了个人的相关使用（目前只做了两个端，三个branch，一些简单的应用，如果要对应于应用的多人开发肯定是胜任不了的；什么develop分支、bug分支、release分支这些，实在太多了，也没耐心学习，可能后面会逐步用到再学习吧，现在也只是个人开发，够用了。
注：网上有很多好用的教程，而本人 ...
基于事件相机的LED_Marker位置结算与姿态估计
基于事件相机的LED_Marker位置结算与姿态估计
针孔相机成像原理（世界坐标系<->像素坐标系）
基于之前所做的教材进行整理
针孔相机成像模型
对于各种类型的相机，其基本模型都是线性模型，又称为针孔成像模型。即任意点PPP在图像中的投影位置ppp为光学中心与PPP点的连线在图像平面的交点，如下图所示：
后向投影模型：
前向投影模型：
相机模型中的坐标系
在整个成像模型中，一共存在三种坐标系，为：图像坐标系、相机坐标系、世界坐标系，具体表示如下：
以下是坐标系之间的转换方法：
以像素为单位的图像坐标系->以毫米为单位的图像坐标系：
{X=(u−u0)∗dXY=(v−v0)∗dY\left\{
\begin{align}
X &= (u-u_0)*dX \\
Y &= (v-v_0)*dY
\end{align}
\right.
{XY=(u−u0)∗dX=(v−v0)∗dY
用矩阵表示为：
[uv1]=[1/dX0u001/dYv0001][XY1]\left [
\begin{matrix}
u \\
v \\
1
\en ...
TUB_Course_Event camera 笔记总结
这里先附上课程的B站链接🔗[https://www.bilibili.com/video/BV1Zr4y1N7Vu?p=9&vd_source=69422cf7939fd0849b3b4cee11e7525c]，是从原课程班运过来的，主要没有翻译，其实看起来很难受😭，而且事件相机很多材料其实都是英文的，读起来就很费劲，希望自己能慢慢成长克服吧
Week2-Event representation
课程目标：
熟悉事件相机处理数据方式
练习将事件数据转换到“image-like”表达方式，包括grid-based, array-based
找到最佳（最合适）的事件数据表达方式
这里课程采用的是来自于Event Camera Dataset and Simulator (IJRR’17)的数据集->slider_depth，这里数据是txt格式，容易可视化并且数据大小很小；
在之前的学习中应该了解过，事件数据主要产生的有四类数据，分别是(t,x,y,p)(t,x,y,p)(t,x,y,p)，分别包含时间戳、空间信息和光亮变化信息；如何处理并可视化该数据是本节课的重点； ...
scp远程拷贝文件命令总结
SSH远程拷贝文件
从服务器拷贝文件到本地，在本地终端输入命令，命令格式：scp 远程用户名@IP地址： 文件名1 本地用户名@IP地址：文件名2。可以省略“本地用户名@IP地址”：scp 远程用户名@IP地址：文件名1 文件名2
例子：从服务器的root目录下拷贝dome.png，到本地的user目录，
scp root@192.168.167.131:/home/root/dome.png /home/user/
从本地拷贝文件到服务器，在本地终端输入命令：命令格式：scp 本地用户名@IP地址：文件名1 远程用户名@IP地址：文件名2。同样可以省略“本地用户名@IP地址”：scp 文件名1 远程用户名@IP地址：文件名2。
例子：从本地的user目录下拷贝dome.png到服务器的root目录下
scp /home/user/dome.png root@192.168.167.131:/home/root/
从服务器拷贝文件夹到本地，1中命令加入参数-r即可。
例子：从服务器拷贝test文件夹到本地user目录下。
scp -r root@192.168.167.1 ...
xml转txt 格式代码
yolov5 标签格式转换（xml to txt）
import xml.etree.ElementTree as ETimport osfrom os import getcwdfrom os.path import joinimport globsets = ['train', 'val'] # 分别保存训练集和测试集的文件夹名称classes = ['four_fingers', 'hand_with_fingers_splayed', 'index_pointing_up', 'little_finger', 'ok_hand', 'raised_fist', 'raised_hand', 'sign_of_the_horns', 'three', 'thumbup', 'victory_hand'] # 标注时的标签 ...
YAC2022 & CYBER2022 总结
最近比较颓废，写了两篇没啥意义的论文，然后玩心也比较重，研究工作推的也比较慢。最近想重新反思下自己，沉下心来，再认真地把工作推一下，这篇文章对写的两篇文章做个大概的总结工作，包括但不限于作图程序、论文配色、技术帖子等等
论文作图程序
在CYBER2022这篇文章中，我主要采用python程序对输出的位置和误差分析作图分析，包括一个柱状图（用于分析误差、差值更好一些）和一个折线图（分析位置、直接输出等），未来可能会学习一些其他类型的图，丰富自己的图库，能使成果更好地展现出来。这里贴一个未来要学习的python作图包：seaborn，所附链接是官方的，英文版，估计自己看不太下去，这里贴一个非官方的中文版供自己学习🐱🐉Seaborn-教程，我期望五一假期结束之前看完。
下面整理一下我写的两种图的Python实现程序，写的很差，但是还得多总结，这样才能进步，希望自己坚持下去。
柱状图
def draw_bar(labels, quants): font = {'family': 'Times New Roman', ...
吴恩达Lecture_2 Logistic Regression
111
pandas.isin()函数使用方法，用于数据清洗，画出散点图如下：
在两类数据中，很明显存在着一个明显的决策边界，可以采用逻辑回归的方式进行预测。
Sigmoid函数
ggg代表一个常用的逻辑函数(logistic function)，为S型函数(sigmoid function)，公式为：
g(z)=11+exp−zg(z) = \frac{1}{1+\exp^{-z}}
g(z)=1+exp−z1
将g(z)g(z)g(z)与之前的线性方程相结合，得到逻辑回归的假设函数：
h(θj)=11+exp−θTXh(\theta_{j}) = \frac{1}{1+ \exp^{-\theta^{T}X}}
h(θj)=1+exp−θTX1
Logistic Regression 的代价函数为：
J(θ)=−1m∑i=1m[y(i)log(hθ(xi))+(1−y(i))log(1−hθ(xi))]J(\theta) = -\frac{1}{m}\sum_{i=1}^{m}[y^{(i)}\log(h_{\theta}(x^{i})) + (1-y^{(i)}) ...
吴恩达Lecture_1 Linear Regression
Lecture_1 Linear Regression
pd.read_csv() 用法介绍，部分用法：
csv文件有表头并且是第一行，那么names和header都无需指定;
csv文件有表头、但表头不是第一行，可能从下面几行开始才是真正的表头和数据，这个时候指定header即可;
csv文件没有表头，全部是纯数据，那么我们可以通过names手动生成表头;
csv文件有表头、但是这个表头你不想用，这个时候同时指定names和header。先用header选出表头和数据，然后再用names将表头替换掉，就等价于将数据读取进来之后再对列名进行rename；
原始数据：
使用梯度下降来实现线性回归，以最小化成本函数：
J(θ)=12m∑i=1m(hθ(x(i))−y(i))2J(\theta) = \frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2
J(θ)=2m1i=1∑m(hθ(x(i))−y(i))2
其中，hθ(x)=θTX=θ0x0+θ1x1+…+θnxnh_{\theta}(x) = \theta^ ...
EV-SegNet-paper笔记
最近在做一些关于高速视觉感知的课题，自己主要是将工作集中到了Event-camera的相关工作上来，一周内吧，也没读太多的文献，工作效率也不是特别的高。趁着周日将这周看的论文先整理一下。
主要的贡献
给出了一种CNN框架，能够处理事件相机数据
如何生成事件相机带有标签的数据集
比较采用不同事件相机数据的表现性能
创新点
崭新的事件相机数据编码方式，基于Xception，六通道，空间结合时间的网络输入。
两个通道：正事件的直方图、负事件的直方图（Hist(x,y,−1)、Hist(x,y,+1)Hist(x,y,-1)、Hist(x,y,+1)Hist(x,y,−1)、Hist(x,y,+1)->承载空间信息
四个通道：正事件的均值、均方差、负事件的均值、均方差->承载事件轴信息，而不仅仅是时间戳信息
M(x,y,p)=1Hist(x,y,p)∑i=1,ti∈WNtiδ(xi,x)δ(yi,y)δ(pi,p)M(x, y, p)=\frac{1}{\operatorname{Hist}(x, y, p)} \sum_{i=1, t_{i} \in W}^{N} t ...