在现代视觉SLAM系统中，从关键帧中检索候选地图点是一种标准做法,用于进一步的特征匹配或直接跟踪.在这项工作中,我们认为关键帧不是这项任务的最佳选择,因为存在几个固有的限制,如弱几何推理和较差的可扩展性.我们提出了一种体素图表示来有效地检索视觉SLAM的地图点.通过以光线投射方式对摄像机frustum进行采样来查询来自摄像机姿态的可见点,这可以使用有效的体素散列方法在恒定时间内完成.与关键帧相比,使用我们的方法检索的点在几何上保证落在摄像机的视野内,并且遮挡点可以在一定程度上被识别和去除.这种方法也很自然地适用于大场景和复杂的多摄像机配置.实验结果表明,我们的体素图与具有5个关键帧的关键帧图一样有效,并且在EuRoC数据集上提供了显著更高的定位精度(在RMSE平均提高46%),所提出的体素图表示是视觉SLAM中基本功能的一般方法,并且可广泛应用.
这是 LeetCode 上的 「1610. 可见点的最大数目」 ，难度为 「困难」。
从深度图像中提取边界（从前景跨越到背景的位置定义为边界），对于物体边界：这是物体的最外层和阴影边界的可见点集，阴影边界：毗邻与遮挡的背景上的点集，Veil点集，在被遮挡物边界和阴影边界之间的内插点，它们是有激光雷达获取的3D距离数据中的典型数据类型，这三类数据及深度图像的边界如图：
两立体表面的交线称为相贯线，见图5-14a和b所示的三通管和盖。三通管是由水平横放的圆筒与垂直竖放的带孔圆锥台组合而成。盖是由水平横放的圆筒与垂直竖放的带孔圆锥台、圆筒组合而成。它们的表面(外表面或内表面)相交，均出现了箭头所指的相贯线，在画该类零件的投影图时，必然涉及绘制相贯线的投影问题。
本文介绍了一种基于 EG3D的新颖的基于编码器的反演框架，利用 EG3D 潜在空间的固有属性来设计鉴别器和背景深度正则化，能够训练一个几何感知编码器，将输入图像转换为相应的潜在代码。本文方法取得了与基于优化的方法相当的令人印象深刻的结果，同时运行速度提高了 500 倍。
今天要介绍的是J. L. Sconberger等人于2016年发表在CVPR的文章。本文针对增量式SFM中三角化/BA等步骤进行了改进，能够比较明显地提升SFM的精确率/鲁棒性以及重建完整性。
论文地址： https://arxiv.org/pdf/2003.02247.pdf
<meta name="viewport" content="width=device-width,initial-scale=1.0">
地平线在Waymo自动驾驶挑战赛2020中方法(AFDet)的升级版-AFDetv2。模型是one-stage,anchor-free的，在保证速度的同时有一个较好的精度。本文方法集成了较多的东西，比较工程，在模型、训练、硬件方面都做了优化。
[GITHUB链接 Collie ](https://github.com/happylishang/Collie)
原文：KRF: Keypoint Refinement with Fusion Network for 6D Pose Estimation
人脸关键点算法已经从2D人脸渐渐发展变化为3D人脸，2D人脸是给定一副图片，找到图片中人脸关键点，这些关键点都是有着明确语义信息的，或者说都是可见的。而对于3D人脸，本身就是有一个立体结构的，也就是所谓的深度信息。在3D人脸中所要预测出来的关键点数量会远远地多于2D人脸。通过3D人脸关键点定位，能更好的对人脸来进行重构。目前2D人脸对关键点的检测已经相当准确了，从2D过度到3D人脸是一个主要的问题。
机器之心专栏 作者：Zhaoxi Chen 来自南洋理工大学 S-Lab 的研究者提出了一个新的框架 SceneDreamer，专注于从海量无标注自然图片中学习无界三维场景的生成模型。 项目主页：https://scene-dreamer.github.io/ 代码：https://github.com/FrozenBurning/SceneDreamer 论文：https://arxiv.org/abs/2302.01330 在线 Demo：https://huggingface.co/spaces
文章：Colmap-PCD: An Open-source Tool for Fine Image-to-point cloud Registration
共提交了3个参数，分别是加密后的params，token和明文字符串timestamp
【导读】6 月 16--20 日，计算机视觉与模式识别领域顶会 CVPR 2019 在美国长滩举行。每年的 CVPR 盛会除了精彩的论文分享、Workshop 与 Tutorial，还会举办多场涵盖计算机视觉各子领域的专项比赛，竞争亦是非常激烈。在此次人体姿态估计和人体分割比赛中，字节跳动的两个团队榜上有名，收获两个冠军、一个亚军。
image.png 原文作者：Astasia Myers 原文地址：https://medium.com/memory-leak/5-microservices-trends-to-watch-in-
近年来，通过基于体渲染技术的神经隐式表面学习来实现多视图三维重建成为计算机三维视觉领域研究的热点。然而，目前仍然存在一个关键性问题亟待解决：现有的方法缺乏明确的多视图几何约束，因此通常无法实现几何一致的三维重建。为了应对这一问题，我们提出了一种几何一致的神经隐式多视图三维重建算法。首先，我们从理论上分析了基于积分的体渲染技术和基于空间点的符号距离函数（SDF）建模之间存在着固有偏差。为了消除这一偏差，我们直接定位到SDF网络的零测度集，并通过利用来自运动恢复结构(SFM)的稀疏三维信息和多视图立体视觉（MVS）中的光度一致性约束来显式地对表面进行多视图几何优化。这保证了我们的符号距离函数优化无偏，并使得多视图几何约束聚焦于真正表面的优化。大量实验表明，我们提出的方法在复杂的精细结构和大范围的平滑区域都实现了高质量的三维重建，从而在性能上大大优于现有技术。
主讲人：王志成 | 旷视研究院研究员 屈鑫 整理编辑 量子位 出品 | 公众号 QbitAI 12月13日晚，量子位·吃瓜社联合Face++论文解读系列第二期开讲，本期中旷视（Megvii）研究院解读了近期发表的人体姿态估计论文：Cascaded Pyramid Network for Multi-Person Pose Estimation。 基于这篇论文所提出的算法，Megvii(Face++)队在COCO2017人体姿态估计竞赛上获得了历史最好成绩，相对 2016年人体姿态估计的最好成绩提高了19%
目前深度图像的获取方法有激光雷达深度成像法，计算机立体视觉成像，坐标测量机法，莫尔条纹法，结构光法等等，针对深度图像的研究重点主要集中在以下几个方面，深度图像的分割技术 ，深度图像的边缘检测技术 ，基于不同视点的多幅深度图像的配准技术，基于深度数据的三维重建技术，基于三维深度图像的三维目标识别技术，深度图像的多分辨率建模和几何压缩技术等等，在PCL 中深度图像与点云最主要的区别在于 其近邻的检索方式的不同，并且可以互相转换。
论文地址：https://arxiv.org/pdf/2003.10656.pdf
像所有其他机器学习模型一样，高斯过程是一个简单预测的数学模型。像神经网络一样，它可以用于连续问题和离散问题，但是其基础的一些假设使它不太实用。
1．灰度等级为256级，分辨率为2048*1024的显示器，至少需要的帧缓存容量为（ ）
文章：General, Single-shot, Target-less, and Automatic LiDAR-Camera Extrinsic Calibration Toolbox
从单目图像估计 3D 人体姿势和形状是动作重定向、虚拟化身和人类动作识别等各种应用的关键任务。这是一个具有根本挑战性的问题，因为深度模糊和人类外表的复杂性会随着关节、衣服、照明、视角和遮挡而变化。为了通过紧凑的参数表示复杂的 3D 人体，诸如 SMPL 之类的基于模型的方法已在社区中得到广泛使用。然而，SMPL 参数以整体方式表示人体，导致通过直接它们的参数无法灵活适应真实世界图像。更重要的是，当人体在图像中不完全可见时，基于回归的方法往往会失败，例如，被遮挡或在框架外。在这项工作中，作者的目标是学习与输入图像并且对部分身体情况具有鲁棒性的人体估计。
Q：如下图1所示，我根据单元格区域A1:B10中的数据绘制了一个折线图，我现在想用VBA得到该折线图的第5个数据点的分类名（从数据表中可以得出其分类名为“桔子”），如何编写程序实现我的需求？
Canvas 真的是一个神奇的东西，不仅能够绘制各种图形、文本和位图，还能够对位图进行复杂的像素运算和处理。因此像滤镜这些东西，其实 Canvas 也可以来实现。接下来，是见证奇迹的时刻。
不知道大家对于爬虫这项技术是怎么看的，我是犹豫了很久，才学的爬虫（要不是学长把买好的课拍在我面前，我估计还不动手）。倒不是说爬虫有多难，但是在当时的我看来，爬虫技术离我那是十万八千里，爬虫会不会很难呐。但是真的放下心里的包袱去学的时候，会发现爬虫也就那样，一个月入门爬虫绰绰有余了。
用卷积神经网络分类（全卷积网络FCN），与普通CNN网络不通的是，FCN的分类层是卷积层，普通网络为全连接层。方法介绍如下： 最近的语义分割架构一般都用卷积神经网络（CNN）为每个像素分配一个初始类别标签。卷积层可以有效地捕捉图像中的局部特征，并以层级的方式将许多这样的模块嵌套在一起，这样 CNN 就可以试着提取更大的结构了。通过一系列卷积捕捉图像的复杂特征，CNN 可以将一张图的内容编码为紧凑表征。 但为了将单独的像素映射给标签，我们需要将标准 CNN 编码器扩展为编码器-解码器架构。在这个架构中，编码器使用卷积层和池化层将特征图尺寸缩小，使其成为更低维的表征。解码器接收到这一表征，用通过转置卷积执行上采样而「恢复」空间维度，这样每一个转置卷积都能扩展特征图尺寸。在某些情况下，编码器的中间步骤可用于调优解码器。最终，解码器生成一个表示原始图像标签的数组。
在之前的调用链系列文章中，我们已经对调用链进行了详细介绍，相信大家已经对调用链技术有了基本的了解。
古人曰：做事要总结。对，借着古人这句话，我们总结下这一个星期，一个星期时间不长，但实际上群里积累的知识点挺多的，基本上把java基础的都过了一遍，如输入输出，循环，多态，继承等等，这些知识点可能一看觉得不就那么回事，简单！但实际上不然，通过学习三部曲，后面javap -v 很多小伙伴已经看不懂了。
随着 2.0 各版本的陆续发布，Nebula Graph 迎来了一系列的改动，在存储方面，影响最大的改动就是底层编码格式进行了修改。Nebula Graph 的底层存储是基于 KV 保存在 RocksDB 中，本文将介绍新老编码格式的差异，以及为什么要修改存储格式等一系列问题。
前面一篇博文介绍了一个@Value的一些知识点，其中提了一个点，@Value对应的配置，除了是配置文件中之外，可以从其他的数据源中获取么，如从 redis，db，http 中获取配置？
对于工业应用来说，往往需要用到形状匹配来达到定位功能，VisionPro的PatMax算法，Halcon的形状匹配算法都是基于边缘的模版匹配。halcon中的形状匹配具有良好的鲁棒性，稳定，准确，快速的特点。opencv中虽然也有形状匹配算法，但是，是基于七阶不变矩来计算轮廓相似度，具有旋转缩放不变性。因此，无法求出目标形状的旋转和缩放系数。并且对于形状变换不大的轮廓也很难区分开，比如圆形和正方形。
承接上一篇博文【SpringBoot 基础系列】@Value 中哪些你不知道的知识点 中提及到但没有细说的知识点，这一篇博文将来看一下@Value除了绑定配置文件中的属性配置之外，另外支持的两种姿势
由于在公众号上文本字数太长可能会影响阅读体验，因此过于长的文章，我会使用"[L1]"来进行分段。这系列将介绍Pandas模块中的Series，本文主要介绍：
大家好，本系列文章主要为大家提供的价值方向是网络信息获取，自动化的提取、收集、下载和记录互联网上的信息，加之自身分析，可以让价值最大化。整个内容中不会涉及到过为敏感的内容。
【导读】我们在上一节的内容中已经为大家介绍了台大李宏毅老师的机器学习课程的auto-encoder，这一节将主要针对讨论deep generative model。本文内容涉及机器学习中deep generative model的若干主要问题: PixelRNN, Pokemon creation, Variational Autoencoder。话不多说，让我们一起学习这些内容吧。 春节充电系列：李宏毅2017机器学习课程学习笔记01之简介 春节充电系列：李宏毅2017机器学习课程学习笔记02之Regre
前面一篇文章 <webgl智慧楼宇发光效果算法系列之高斯模糊>, 我们知道了 高斯模糊的本质原理，就是对每个像素，按照正态分布的权重去获取周边像素的值进行平均，是一种卷积操作。
[【SpringBoot 基础系列】@Value 之字面量及 SpEL 知识点介绍篇](http://mp.weixin.qq.com/s?__biz=MzU3MTAzNTMzMQ==&mid=224
第一种形式比较好理解，首先需要定义函数，但是是立即执行函数，所以不需要函数名，不加函数名的话有可能是写错代码了，所以立即执行函数的语法就是用”()”包住立即执行函数，就可以区分出错误代码和立即执行函数。之后的”()”便是函数调用。
我们在上篇文章中通过FFmpeg解码了本地mp4文件的音频码流为PCM数据，并通过AudioTrack进行播放
Short 基本数据类型short 的包装类 Short 类型的对象包含一个 short 类型的字段 属性简介 值为 215-1 的常量，它表示 short 类型能够表示的最大值publi
有没有遇到过这样的问题，读取文件被提示“UnicodeDecodeError”、爬取网页得到一堆乱码，其实这些都是编码惹的祸，如果不能真正理解编码的问题所在，就像开车没有带导航，游泳没有带有度数的眼镜。如果你正在为此而 头疼，不妨来看看这篇文章，里面或许有你要的答案。
“数据结构与算法”不管是在Java还是在任何语言中都是核心基础知识，就像是盖楼的地基一样，它被广泛的应用于架构的最底层，对于这部分知识的掌握程度能够决定读者以后的高度。
界面的制作一直是 Python 的痛！使用 Python 制作桌面端界面是非常痛苦的过程(又难学又难看)。不过，Python 已经出现了几个基于web前端的库，他们的基本机制大同小异，如果对 界面操作性没有太大要求，那么这些库就比较适合你 。
本篇博文是 《Selenium IDE 自动化实战案例》 系列的第三篇博文，主要内容是通过 selenium 来获取活动中作品的点赞数量，并筛选出 TOP5，往期系列文章请访问博主的 自动化实战案例 专栏，博文中的所有代码全部收集在博主的 GitHub 仓库 中；
先介绍一下多数公司采用的方式：目前比较流行的是采用springcloud（或者dubbo）做微服务，按照业拆分为多个独立的服务，服务采用集群的方式部署在不同的机器上，当一个请求过来的时候，可能会调用到很多服务进行处理，springcloud一般采用logback（或者log4j）输出日志到文件中。当系统出问题的时候，按照系统故障的严重程度，严重的会回退版本，然后排查bug，轻的，找运维去线上拉日志，然后排查问题。
领取专属 10元无门槛券
手把手带您无忧上云
