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 ...