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', ...
Hexo博客多端部署指南（含环境配置+NPX使用+Git规范+主题白屏修复）
Hexo博客多端部署说明 最近换了新电脑，想继续写博客的时候发现之前的Hexo博客只在旧电脑上有配置，换个设备就得重新折腾半天。相信很多用Hexo的朋友都遇到过类似问题——家里用台式机、出门带笔记本，想在哪都能写博客可太麻烦了。所以整理了这份多端部署指南，不仅包含完整的多端同步步骤，还严格按照我个人的Git使用规范来写，同时补充了环境配置细节（比如为什么不全局装Hexo、NPX到底好用在哪），以及最常见的「butterfly主题文件夹为空导致白屏」的修复方法，新手也能轻松看懂！ 为什么需要多端部署？ 咱们写博客的时候经常会遇到这些场景： 公司电脑写了一半的文章，回家想用笔记本接着写，却发现源码不在身边； 换了新设备，重新配置Hexo环境要装一堆依赖，还容易因为版本不一致报错； 担心电脑突然坏掉，博客源码没备份，之前写的文章全丢了； 同步后发现博客部署白屏，排查半天才知道是butterfly主题文件没同步。 多端部署就是为了解决这些问题，核心好处有3个： 随时随地编辑：任何设备只要拉取源码，就能继续写博客； 环境统一：避免不同设备的Hexo版本冲突，减少报错； 自动备份：源码...
个人向 Git 使用命令总结（修正版）
个人向 Git 命令总结（个人开发 · 多设备同步） 本文是在原有 Git 使用笔记基础上的 修正版与增强版，适用于： 单人开发 多设备（Windows / macOS / Linux）同步 学习 / 实验 / 算法练习类项目 ⚠️ 不适用于复杂多人协作、PR / release / CI 流程。 一、使用背景 本人在 Windows 台式机与 MacBook 之间切换开发，主要用于： 算法学习（Python / C++ / Rust） 个人实验项目 长期代码积累 因此 Git 的目标只有一个： 👉 安全、简单、可预期地同步代码 二、基础命令（修正） 1️⃣ 初始化与首次提交 git initgit add .git commit -m "Initial commit" ✅ 使用 git add . ❌ 不要使用 git add */.（会漏文件） 2️⃣ 主分支命名 git branch -M main 说明： -M = --move --force 强制将当前分支重命名为 main 即使已存在 main 分支也会覆盖 ⚠️ 仅建议在新仓...
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 ...
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...
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@192.168.16...
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...
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) = \the...
