开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在保持原始矩阵大小的情况下对2D矩阵进行采样

是指从原始矩阵中选取部分元素，形成一个新的矩阵，新矩阵的大小与原始矩阵相同。采样可以按照不同的规则进行，常见的采样方法有随机采样、均匀采样和滑动窗口采样等。

采样的目的是为了减少数据量，提高计算效率或者满足特定需求。下面是对不同采样方法的简要介绍：

随机采样：随机采样是指从原始矩阵中随机选取一定数量的元素作为采样结果。随机采样可以用于数据集的划分、样本的选择等场景。腾讯云提供的相关产品是腾讯云机器学习平台（https://cloud.tencent.com/product/ti），该平台提供了丰富的机器学习算法和模型训练服务，可以用于数据采样和模型训练。
均匀采样：均匀采样是指按照一定的间隔从原始矩阵中选取元素作为采样结果。均匀采样可以用于图像处理、信号处理等领域。腾讯云提供的相关产品是腾讯云图像处理（https://cloud.tencent.com/product/ti），该产品提供了图像处理的各种功能，包括图像采样、图像滤波等。
滑动窗口采样：滑动窗口采样是指在原始矩阵上按照固定大小的窗口进行滑动，选取窗口内的元素作为采样结果。滑动窗口采样可以用于图像处理、视频处理等场景。腾讯云提供的相关产品是腾讯云视频处理（https://cloud.tencent.com/product/ti），该产品提供了视频处理的各种功能，包括视频采样、视频剪辑等。

总结起来，对2D矩阵进行采样是一种在保持原始矩阵大小的情况下选取部分元素的操作。采样方法包括随机采样、均匀采样和滑动窗口采样等。腾讯云提供了相关的机器学习、图像处理和视频处理等产品，可以满足不同场景下的采样需求。

相关搜索:对矩阵中的行进行采样会产生空数据如何从非零元素创建矩阵，使新的矩阵大小与原始大小保持不变在不知道*矩阵大小的情况下，如何释放*不规则矩阵？在matlab中根据对其他矩阵设置的条件对一个矩阵进行索引对存储在结构中的所有矩阵进行平均如何在matlab中根据另一个矩阵的行大小对列矩阵进行整形在保持原始IP地址的情况下进行跨域请求在Matlab的PARFOR循环中无法对矩阵变量进行分类在matlab中对相对于函数的矩阵进行排序在matlab中有没有对矩阵元素进行分组的方法？在制作了矩阵(列表列表)的副本之后，为什么对副本进行双重索引会改变原始矩阵，而索引却不会呢？在java中根据列值对矩阵进行排序的最佳方法是否在Excel中使用指定的索引对矩阵进行置乱？从2D张量中的每个向量对3D张量中的每个2D矩阵进行运算在Matlab中通过移位索引对矩阵中的批量行进行移位在OCTAVE/MATLAB中对矩阵的两列进行排序，同时保持其中一列的完整性在保持列表原始索引的同时对列表进行排序的最好方法是什么？对顶部矩阵相关性进行排序，并在不应用的情况下删除反向重复项在不分割间隔的情况下，对大CSV中的时间序列进行分块采样如何对在函数中创建的相关矩阵的行和列进行重新排序

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习500问——Chapter05：卷积神经网络（CNN）（1）

5.1.2 卷积层卷积层（Convolution Layer）通常用作对输入数据进行特征提取，通过卷积核矩阵对原始数据中隐含关联性的一种抽象。...卷积操作原理上其实是对两张像素矩阵进行点乘求和的数学操作，其中一个矩阵为输入的数据矩阵，另一个矩阵则为卷积核（滤波器或特征矩阵），求得的结果表示为原始图像中提取的特定局部特征。...卷积核步长（Stride）定义了卷积核在卷积过程中的步长常见设置为1，表示滑窗距离为1，可以覆盖所有相邻位置特征的组合；当设置为更大值时相当于对特征组合降采样填充方式（Padding）在卷积核尺寸不能完美匹配输入的图像矩阵时需要进行一定的填充策略...同样是的卷积核尺寸，扩张卷积可以提取范围的区域特征，在实时图像分割领域广泛应用转置卷积先对原始特征矩阵进行填充使其维度扩大到适配卷积目标输出维度，然后进行普通的卷积操作的一个过程，其输入到输出的维度变换关系恰好与普通卷积的变换关系相反...在单通道输入的情况下，若输入卷积核尺寸为，卷积核在输入图像的空间维度上进行滑窗操作，每次滑窗和窗口内的值进行卷积操作，得到输出图像中的一个值。

3382 0

LaViT：这也行，微软提出直接用上一层的注意力权重生成当前层的注意力权重 | CVPR 2024

在每个阶段，专门计算传统的自注意力，并将注意力分数存储在几个初始的原始注意力（VA）层中。在后续的层中，通过利用先前计算的注意力矩阵高效地生成注意力分数，从而减轻与自注意力机制相关的平方计算开销。...此外，提出了一种新颖的损失函数，旨在在注意力重新参数化的过程中保持注意力矩阵的对角性。作者认为这一点对维护注意力的语义完整性至关重要，确保注意力矩阵准确反映输入标记之间的相对重要性。...在论文的研究中，作者采用了一个卷积层进行下采样操作，卷积核的大小和步幅都设置为 $2$ 。...在最初的原始注意力阶段之后，丢弃传统的平方MHSA，并对 $\mathbf{A}^\textrm{VA}_m$ 应用变换，以减少注意力计算的数量。这个过程包括进行两次线性变换，中间夹一个矩阵转置操作。...为此，作者设计了一个注意力残差（AR）模块，该模块由深度卷积（DWConv）和一个 $\textrm{Conv}{1\times1}$ 层构成，用以在保持语义信息的同时对前一阶段的注意力图进行下采样。

941 0

CvT：微软提出结合CNN的ViT架构 | 2021 arxiv

Projection操作增强局部建模能力，在保持计算效率的同时实现了卓越的性能。...此外，class token仅在最后阶段添加，使用MLP对最后阶段输出的分类token进行类别预测。...Convolutional Projection for Attention Convolutional Projection层的目标是实现局部空间上下文的建模，并通过对Q、K和V矩阵进行欠采样来提供效率优势...如图3b所示，token序列先重塑为2D token图，接着使用内核大小为s的深度可分离卷积层实现转换。最后，将得到的token图展开为一维以进行后续处理。...带有Convolutional Projection层的新Transformer block实际可认为是原始Transformer block的统一范式，将内核大小设置为$1×1$即是原始的位置线性投影层

1881 0

MVDream：利用扩散模型实现多视角的3D生成

最后，我们展示了多视图扩散模型也可以在少量样本的情况下进行微调，用于个性化的3D生成，并且经过学习后仍能保持一致性。引言最近的一些工作表明，预训练的2D生成模型可以应用于3D生成。...如Dreamfusion和Magic3D，它们利用2D扩散模型作为优化3D重构方法（如NeRF）的监督，通过得分蒸馏采样（SDS）进行优化。...具体来说，我们可以通过在自注意力层中连接不同的视图来将原始的2D自注意力层转换为3D。通过这种方式，模型在不进行微调的情况下会生成相似的图像。...在实际中，我们训练模型大约600个步骤，学习率为 2 \times 10^{-6} ，权重衰减为0.01，批量大小为4，以在保持身份和有条件的样式化之间取得良好的平衡。...通过在3D渲染的数据集和大规模文本到图像数据集的混合上对预训练的文本到图像扩散模型进行微调，我们的模型能够在保持基础模型的通用性的同时实现多视角一致的生成。

2.8K4 0

详述Deep Learning中的各种卷积（二）

我们通常希望进行与正常卷积相反的装换，即我们希望执行上采样，比如自动编码器或者语义分割。（对于语义分割，首先用编码器提取特征图，然后用解码器回复原始图像大小，这样来分类原始图像的每个像素。）...这里我们用一个简单的例子来说明，输入层为，先进行填充值Padding为单位步长的零填充，再使用步长Stride为1的卷积核进行卷积操作则实现了上采样，上采样输出的大小为。 ?...在输出上找不到连续且均匀重叠区域。 ? 在二维情况下棋盘效应更为严重，下图直观地展示了在二维空间内的棋盘效应。 ?...插值可以直接进行插值Resize操作，然后再进行卷积操作。该方式在超分辨率的相关论文中比较常见。例如我们可以用常见的图形学中常用的双线性插值和近邻插值以及样条插值来进行上采样。 ? 5.2....：情况一：情况二：这里以经典图像语义分割模型全卷积网络FCN-32s为例，上采样转置卷积的输入为，我们希望进行一次上采样后恢复成原始图像尺寸，代入公式得到一个关于三者之间的关系等式：。

9622 0

McGill&微软将卷积操作加入到ViT中，捕获更详细的局部信息！准确率达87.7%！代码已开源！

此外，在对更大的数据集（如ImageNet-22k）进行预训练并对下游任务进行微调时，CvT可以保持性能提升。...这使得模型能够进一步捕获局部空间上下文，并减少注意力机制中的语义歧义。这还使得计算复杂度大大降低，因为步长不为1的卷积可以对key和value矩阵进行降采样，以将效率提高4倍或更多。...Convolutional Projection for Attention 本文提出的卷积投影层的目标是实现局部空间上下文的额外建模，并通过对K和V矩阵进行下采样来提供更高的效率。...带卷积的Transformer块可以看做是以前Transformer块的拓展，原始的线性投影层可以使用核大小为1×1的卷积层来实现。...通过使用大于1的步长，核大小为的卷积投影可以减少token的数量。上图（c）显示了卷积投影，其中key和value投影通过使用步长大于1的卷积进行下采样。

1.3K1 0

医学影像组学特征值（Radiomics Features）提取之Pyradiomics（一）理论篇

、图像变换的滤波器和特征类 4）指定voxel-based基于体素的特定设置，只有在使用PyRadiomics 进行体素提取生成特征图时才需要 1、图像类型进行影像组学特征提取的图像既可以是原始图像，...默认情况下只使用原始图像，允许的图像类型存储在特征提取类实例_enabledImageTypes字典中，并且可以通过enableAllImageTypes()， disableAllImageTypes...GetEntropyFeatureValue（）：熵，定义图像值的不确定性或者随机性，是对图像值进行编码所需平均信息量对度量。 ?...3、特征提取设置 1）Image Normalization图像归一化 Normalize：当设置为True时，对图像进行归一化处理 normalizeScale：对图像进行归一化处理的比例 RemoveOutliers...：从图像中删除的离群值 2）Resampling the image图像重采样 ResamplePixelSpacing：设置重采样时的体素大小。

23K5 6

深度学习基础入门篇：卷积之1*1 卷积（残差网络）、2D3D卷积、转置卷积数学推导、应用实例

在2D卷积中，卷积核在图片上沿着宽和高两个维度滑动，在每次滑动过程时，对应位置的图像元素与卷积核中的参数进行乘加计算，得到输出特征图中的一个值。...因此，对该数据进行处理时，就需要卷积也作出相应的变换，由2D卷积变为3D卷积。在2D卷积的基础上，3D卷积1被提出。...如果用2D的图像处理模型去处理3D物体也是可以的，但是需要将生物医学影像图片的每一个切片成组的（包含训练数据和标注好的数据）的喂给模型进行训练，在这种情况下会存在一个效率问题，因此我们使用的模型即将U-Net...3.3 转置卷积与标准卷积的区别标准卷积的运算操作其实就是对卷积核中的元素与输入矩阵上对应位置的元素进行逐像素的乘积并求和。...图片图3 卷积逆向运算示例当然，从信息论的角度，卷积操作是不可逆的，所以转置卷积并不是使用输出矩阵和卷积核计算原始的输入矩阵，而是计算得到保持了相对位置关系的矩阵。

1.7K4 0

分类问题中的维度诅咒（下）

结果，当特征空间的维度变为无穷大时，从采样点到质心的最小和最大欧几里德距离的差和最小距离本身的比率趋于为零： (2) ? 因此，距离测量开始丧失其在高维空间中测量差异的有效性。...如果N个训练样本足以覆盖单位间隔大小的1D特征空间，则需要N ^ 2个样本来覆盖具有相同密度的2D特征空间，并且在3D特征空间中需要N ^ 3个样本。...作为示例，考虑由其平均和协方差矩阵参数化的高斯密度函数。假设我们在3D空间中操作，使得协方差矩阵是由6个唯一元素（对角线上的3个方差和非对角线上的3个协方差）组成的3×3对称矩阵。...在1D情况下，仅需要估计2个参数（平均值和方差），而在2D情况下需要5个参数（2D平均值，两个方差和协方差）。再次，我们可以看到要估计的参数的数量与维数的二次方增长。...PCA试图找到较低维度的线性子空间，使得保持原始数据的最大方差。然而，请注意，数据的最大方差不一定代表最具辨别力的信息。最后，用于在分类器训练期间检测和避免过拟合技术是交叉验证。

1.2K1 0

面试必备：形象理解深度学习中八大类型卷积

在本例中，首先将输入空间降为低维空间(表示点/像素的信息)，然后将该空间降为包含(边/形状)的另一个空间，最后降为对图像中的人脸进行分类。卷积可以应用于N维。 ?...对于具有1个通道的图像，卷积如下图所示。这里的滤波器是一个3x3矩阵，元素为[[0,1,2]，[2,2,0]，[0,1,2]]。过滤器在输入端滑动。在每个位置，它都在进行元素乘法和加法。...最终输出是3 x 3矩阵。 ? 2、多通道卷积在许多应用程序中，我们处理的是具有多个通道的图像。典型的例子是RGB图像。每个RGB通道都强调原始图像的不同方面。 ? 下图使多通道卷积过程更清晰。...我们不是在2D卷积中使用尺寸为3 x 3 x 3的单个滤波器，而是分别使用3个内核。每个滤波器的大小为3 x 3 x 1.每个内核与输入层的1个通道进行卷积（仅1个通道，而不是所有通道！）。...或者在一般情况下，通过应用Dout内核（每个大小为 h x w x Din）将大小（Hin x Win x Din）的输入层变换为大小（Hout x Wout x Dout）的输出层。 ?

9222 0

PyTorch: nn网络层-卷积层

一般情况下，卷积核在几个维度上滑动，就是几维卷积。比如在图片上的卷积就是二维卷积。...padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros') 这个函数的功能是对多个二维信号进行二维卷积...转置卷积：nn.ConvTranspose() 转置卷积又称为反卷积 (Deconvolution) 和部分跨越卷积 (Fractionally strided Convolution)，用于对图像进行上采样...由于卷积操作可以通过矩阵运算来解决，因此原始图片可以看作 16 \times 1 的矩阵 I_{16 \times 1} ，为什么是16 * 1，因为16是它所有的像素点个数，1是它的图片张数...由于卷积操作可以通过矩阵运算来解决，因此原始图片可以看作 4 \times 1 的矩阵 I_{4 \times 1} ，这里的4同样是原图的像素点个数。

4042 0

卷积核的基本概况

卷积核大小：卷积核定义了卷积的大小范围，在网络中代表感受野的大小，二维卷积核最常见的就是 3*3 的卷积核。一般情况下，卷积核越大，感受野越大，看到的图片信息越多，所获得的全局特征越好。...填充：卷积核与图像尺寸不匹配，会造成了卷积后的图片和卷积前的图片尺寸不一致，为了避免这种情况，需要先对原始图片做边界填充处理。卷积的通道形式所谓的通道数，可以理解为有多少张二维矩阵图。...单通道形式对于具有1个通道的图像，下图演示了卷积的运算形式：这里的filter是一个3*3矩阵，步长是1，填充为0。filter在输入数据中滑动。在每个位置，它都在进行逐元素的乘法和加法。...然后，将这三个通道相加（逐个元素相加）以形成一个单个通道（3 x 3 x 1），该通道是使用filters（3 x 3 x 3矩阵）对输入层（5 x 5 x 3矩阵）进行卷积的结果：由此，我们引出卷积核的另外一个参数...，将重排矩阵转置后与行向量转置后相乘，得到16个元素的1维列向量：第四步，对列向量进行重排为4*4的矩阵，得到最终结果：这样就通过转置卷积将2x2的矩阵反卷为一个4x4的矩阵，但从结果也可以看出反卷积的结果与原始输入信号不同

1621 0

啥是卷积核？动画演示

卷积核大小：卷积核定义了卷积的大小范围，在网络中代表感受野的大小，二维卷积核最常见的就是 3*3 的卷积核。一般情况下，卷积核越大，感受野越大，看到的图片信息越多，所获得的全局特征越好。...填充：卷积核与图像尺寸不匹配，会造成了卷积后的图片和卷积前的图片尺寸不一致，为了避免这种情况，需要先对原始图片做边界填充处理。卷积的通道形式所谓的通道数，可以理解为有多少张二维矩阵图。...单通道形式对于具有1个通道的图像，下图演示了卷积的运算形式：这里的filter是一个3*3矩阵，步长是1，填充为0。filter在输入数据中滑动。在每个位置，它都在进行逐元素的乘法和加法。...然后，将这三个通道相加（逐个元素相加）以形成一个单个通道（3 x 3 x 1），该通道是使用filters（3 x 3 x 3矩阵）对输入层（5 x 5 x 3矩阵）进行卷积的结果：由此，我们引出卷积核的另外一个参数...，将重排矩阵转置后与行向量转置后相乘，得到16个元素的1维列向量：第四步，对列向量进行重排为4*4的矩阵，得到最终结果：这样就通过转置卷积将2x2的矩阵反卷为一个4x4的矩阵，但从结果也可以看出反卷积的结果与原始输入信号不同

2941 0

三维点云数据压缩技术的最新趋势及在三维压缩域问题的挑战

不过，在导航过程中3D点云虽然保留了环境的重要细节，但实时处理是却是另一个更大的挑战。为此，研究人员已经尝试了不同类型的算法（通过应用不同的2D变换，使用图形算法等）来减少3D点云数据的大小。...这种方法是将激光雷达采集的原始3D点云数据转换为2D矩阵，然后进行预处理对数据进行归一化，然后进一步使用RNN进行压缩。...之后，3D数据被直接分成三个1D数据，并且由于数据量大，1D也被安排成单独的矩阵。此外，还应用了稀疏变换，并且为了下采样，还使用了部分傅立叶矩阵。...这种压缩感知的优点在于，它在采样过程中完成压缩，（在传统算法中，压缩是在完成完全采样之后进行的）。该方法具有计算和存储优势。...首先，将原始激光雷达点云流数据转换为2D矩阵形式，然后把数据拆分成两部分，I帧和B帧。之后，I帧将输入Unet架构进行数据插值。然后，Unet的输出与B帧相结合，用于下一阶段的处理。

9933 0

Unity 水、流体、波纹基础系列（二）——方向流体（Directional Flow）

“渲染1，矩阵”教程将2D旋转矩阵定义为 ? ，但它表示逆时针旋转。当我们需要顺时针旋转时，我们必须翻转sinθ的符号，这得到我们最终的旋转矩阵 ? 。...因为我们的流体贴图不包含单位长度的向量，所以我们必须首先对其进行归一化。然后通过float2x2构造函数使用该方向向量构造矩阵。使用mul函数将该矩阵与原始UV坐标相乘。...为此新输出提供一个变量，然后使用它来旋转我们稍后采样的导数，并进行另一个矩阵乘法。 ? ? （在90°旋转时校正了导数）现在导数也旋转，颜色也随之改变。在90°旋转时，红色和绿色已互换。...可以通过在对UV坐标求底以找到固定流之前添加偏移来对其他单元进行采样。为此添加一个参数到FlowCell。 ? 首先让我们尝试在U维度上偏移一个单位。...这意味着我们最终将向右采样一个单元，在视觉上将流数据向左移动一级。 ? ? （单元格向右偏移一步）为了水平混合单元格，我们必须对每个图块同时采样原始像元和偏移像元。

4.5K5 0

万字长文带你看尽深度学习中的各种卷积网络

和对 2D 区域中目标的空间关系进行解码的 2D 卷积相似，3D 卷积也可以描述 3D 空间中目标的空间关系。...这篇文章对其进行了详细介绍，并针对不同的卷积核大小、卷积步长以及填充分别进行了案例分析。...（在随后的案例中，语义分割首先在编码器中提取特征映射，然后在解码器中还原原始图像的大小从而能够在原始图像中对每一个像素进行分类。）...卷积的矩阵乘法：从大小 2x 2 为 Large 输入图像到大小为 4 x 4 的 Small 输出图像正如你在这里看到的，转置卷积执行的是从小图像到大图像的上采样。这也是我们所要实现的。...本质上是在不增加额外的计算成本的情况下观察感受野。在图像中，3 x 3 的红点表明经过卷积后的输出图像的像素是 3 x 3。

8123 0

万字长文带你看尽深度学习中的各种卷积网络

和对 2D 区域中目标的空间关系进行解码的 2D 卷积相似，3D 卷积也可以描述 3D 空间中目标的空间关系。...这篇文章对其进行了详细介绍，并针对不同的卷积核大小、卷积步长以及填充分别进行了案例分析。...（在随后的案例中，语义分割首先在编码器中提取特征映射，然后在解码器中还原原始图像的大小从而能够在原始图像中对每一个像素进行分类。）...卷积的矩阵乘法：从大小 2x 2 为 Large 输入图像到大小为 4 x 4 的 Small 输出图像正如你在这里看到的，转置卷积执行的是从小图像到大图像的上采样。这也是我们所要实现的。...本质上是在不增加额外的计算成本的情况下观察感受野。在图像中，3 x 3 的红点表明经过卷积后的输出图像的像素是 3 x 3。

6671 0

深度学习中的12种卷积网络，万字长文一文看尽

和对 2D 区域中目标的空间关系进行解码的 2D 卷积相似， 3D 卷积也可以描述 3D 空间中目标的空间关系。...这篇文章对其进行了详细介绍，并针对不同的卷积核大小、卷积步长以及填充分别进行了案例分析。...（在随后的案例中，语义分割首先在编码器中提取特征映射，然后在解码器中还原原始图像的大小从而能够在原始图像中对每一个像素进行分类。）...卷积的矩阵乘法：从大小 2x 2 为 Large 输入图像到大小为 4 x 4 的 Small 输出图像正如你在这里看到的，转置卷积执行的是从小图像到大图像的上采样。这也是我们所要实现的。...本质上是在不增加额外的计算成本的情况下观察感受野在图像中，3 x 3 的红点表明经过卷积后的输出图像的像素是 3 x 3。

1.8K2 0

一文搞懂卷积核的基本概况！！

填充：卷积核与图像尺寸不匹配，会造成了卷积后的图片和卷积前的图片尺寸不一致，为了避免这种情况，需要先对原始图片做边界填充处理。二、卷积的通道形式所谓的通道数，可以理解为有多少张二维矩阵图。 1....单通道形式对于具有1个通道的图像，下图演示了卷积的运算形式：这里的 filter 是一个3*3矩阵，步长是1，填充为0。filter在输入数据中滑动。在每个位置，它都在进行逐元素的乘法和加法。...然后，将这三个通道相加（逐个元素相加）以形成一个单个通道（3x3x1），该通道是使用filters（3x3x3矩阵）对输入层（5x5x3矩阵）进行卷积的结果：由此，我们引出卷积核的另外一个参数——输入输出通道数...Step3：将重排矩阵转置后与行向量转置后相乘，得到16个元素的1维列向量 Step4：对列向量进行重排为 4*4 对矩阵，得到最终结果这样就通过转置卷积将 2x2 的矩阵反卷为一个 4x4 的矩阵...我们在2D-卷积中分别使用3个卷积核（每个filter的大小为3*3*1），每个卷积核仅对输入层的1个通道做卷积，这样的卷积每次都得到大小为5*5*1对映射，之后再将这些映射堆叠在一起创建一个 5*5*

3781 0

基于特征点的视觉全局定位技术

对每一个块，使用 8-bins 的直方图对梯度进行统计，梯度方向决定落入哪个 bin，而梯度的模决定值的大小。为了保证尺度一致性，梯度大小需要进行归一化。...然后比较一对点的灰度大小，结果以 0/1 表示，形成 N 维的二进制描述向量，构成特征点的二值模式。而不同二值描述子最大的差别，主要在于特征采样模式不同、点对选取方法不同。 ?...Figure 4: LBP 描述子采样模式如 Fig. 4所示，LBP 描述子采用对关键点周围，进行环形采样，并与中心关键点的灰度进行比较的方案。...Figure 6: FREAK 描述子采样、点对选取摸式二值描述子的高效率，主要体现在三个方面。 (1)二值描述子使用二进制向量作为特征描述，只需要比较点对大小而不需要计算具体梯度。...匹配也可以是在查询后单独进行，多见于基于 2D 图像查询。特征匹配的目的是，为后续的变换矩阵计算提供匹配的点对集，实现位姿的解算。

3.8K3 1

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭