SLAM初探(三)

PCL(Point cloud library) Ubuntu Linux 16 系统之所以会用Linux,很大的原因是应为SLAM在嵌入式平台上面的安置,所以尽量编写在inux下编写,同步arm编程环境的读者有兴趣可以去参考下搭建交叉编译环境 。

#OpenCV的安装

参考本菜的博客中,C++安装opencv的部分

Eigen C++线性代数计算库的安装

在slam的运行当中,会大量的使用到线性代数,为了省去手动写遍历去遍历代码,需要借助eigen去对opencv进行计算 关于Eigen的安装配置,请移步参考博客

机器学习/深度学习框架的安装

主流框架

  • Caffe
  • Microsoft Cognitive Toolkit(又名CNTK 2)
  • MXNet
  • Scikit-learn
  • Spark MLlib
  • TensorFlow
  • Theano
  • Keras(一个Theano和TensorFlow深度学习的前端)
  • DeepLearning4j(Java和Scala在Hadoop和Spark之上的深度学习软件)

辅助运算框架

  • Eigen(C++)
  • Numpy(python)
  • Matplotlib(python)
  • Scipy(python)
  • CUDA
  • OpenCL
  • Boost

除此之外笔者还用过一些比较少见的辅助框架,主要使用在语音识别当中

注:下载HTK时需要注册一个账号,邮箱请使用国外邮箱,如OutLook,Gmail等邮箱才能接收到来自HTK官方网站欧洲的来信。

加州大学库有一个的各类型的开源辅助计算框架

CUDA,Boost,GPU并发运算库的安装在windows下请直接去PCL官方下载库,A卡架构的盆友可以使用OpenCL并行计算库 在图像的处理中,可以不直接依赖于OpenCV,我们所要做的,只是获取图像进行处理,所以我们只需要从摄像头获取点云数据和实时图像,将它拿给Caffe等进行计算就ok了,Caffe框架提供了一个完善的Machine Learning运算库,在模式识别,机器学习,深度学习,迁移学习上都有相当高的造诣。 接下来一讲,我们来分析和区分一下上述几种学习的区别,和应用领域(昨晚和学长交流时问到几种学习的区别和应用领域)

下述部分参考资料

迁移学习(适应) 强化学习(反馈) 深度学习 (特征)

迁移学习(领域适应Domain Adaptation)

将从源领域(Source Domain)学习到的东西应用到目标领域(Target Domain)上去。源领域和目标领域之间往往有gap/domain discrepancy(源领域的数据和目标领域的数据遵循不同的分布)。 迁移学习能够将适用于大数据的模型迁移到小数据上,实现个性化迁移。 迁移什么,怎么迁移,什么时候能迁移,这是迁移学习要解决的主要问题。

  1. 样本迁移 Instance-based Transfer Learning
  2. 特征迁移 Feature-based Transfer Learning
  3. 模型迁移 Model-based Transfer Learning
  4. 关系迁移 Relational Transfer Learning

下面是四种学习方法所需要的数据量对比

强化学习(Reinforcement Learning)

就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大。 强化学习不同于连接主义学习中的监督学习,主要表现在教师信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少,RLS必须靠自身的经历进行学习。 通过这种方式,RLS在行动-评价的环境中获得知识,改进行动方案以适应环境。 ##永动机器学习

CMU大学的例子,用中文来说是永动机器学习,这个机器不断在网上扒一些网页,在每个网页里面都学到一些知识,把这些知识综合起来,变成几千万条知识,这些知识又会衍生新的知识。那么我们看到从下到上是随着时间,知识量在增长。但是它到了某一个程度实际上是不能再往上走了,因为知识会自我矛盾。这个时候就需要人来进行一部分的调节,把一部分不正确的知识去掉,去除自我偏差(有偏数据),这种偏差可以体现在统计学的一个重要概念中,就是我们获得的数据也许是一个有偏数据,我们可能建了一个模型,对大部分的数据都有用,但其中有一些特例。我们如何来处理这些特例,如何来处理我们训练数据和应用数据之间的偏差,这是我们下一步要研究的内容。

深度学习

End

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏企鹅号快讯

看可口可乐如何玩转TensorFlow

“ 随着人工智能的高速发展,开发者们对于能够应对产品多样化挑战的学习框架TensorFlow,也有着很高的热情。除了各类科技产品,零售行业也同样将TensorF...

21810
来自专栏深度学习自然语言处理

大家都收藏了的最新开源项目Top12!CV、NLP、机器学习一应俱全

【导读】作者整理了近期最新发布及更新的 12 个非常有学习和收藏意义的开源项目。这些项目中包括基于 TensorFlow 的强化学习框架;可以对数据进行结构化处...

1131
来自专栏新智元

【重磅】Google 分布式 TensorFlow,像 Android 一样带来 AI 复兴?

今天,Google 发布了分布式 TensorFlow。Google 的博文介绍了 TensorFlow 在图像分类的任务中,100 个 GPUs 和不到 65...

4014
来自专栏用户画像

浅析UGC视频去重算法

在以UGC(User Generated Content 用户原创内容)业务为主的视频网站中,每天都有大量的视频被上传。用户上传的视频有数量大、重复视频多的特点...

2794
来自专栏大数据文摘

上班族必备,日本小哥用深度学习开发识别老板的探测器(附源码)

1772
来自专栏吉浦迅科技

AMD MLP:基于OpenCL的深度学习工具

AMD-MLP 深度学习技术 AMD-MLP是AMD中国异构计算部门开发的私有软件,其开发人员都是GPU计算和应用方面的专家,在使用异构计算技术提高软件性能方...

5315
来自专栏数说工作室

手机里跑个 AI 模型 | 谷歌 Federated Learning 联盟学习

各位数据大咖,还记得自己的跑模型的心路历程么?我想大家都在经历着下面的一个或多个阶段: 论文答辩前夕,把自己敲进去的三千多条数据放进SAS中,哗的一下模型出来了...

4796
来自专栏CreateAMind

谷歌机器学习白皮书全解析 43条黄金法则

from http://3g.163.com/touch/article.html?docid=CBMPFGTL00098GJ5&qd=pc_adaptatio...

1103
来自专栏AI传送门

股票预测,自动翻译,你想要的它都能做——RNN算法探索之旅(3)

1723
来自专栏TensorFlow从0到N

TensorFlow从0到1 - 19 - 回顾

see you soon 《TensorFlow从0到1》就要结束了。 3条主线 这个部分共包含18篇文章,4万余字(简书的严格统计不到4万)。总的来说,它无外...

3724

扫码关注云+社区

领取腾讯云代金券