主页

背景

在图像上做Object detection 准确率目前可以达到90%以上，而在点云上做端到端的Object detection准确率却很低–车辆大概70%,行人大概40%，并且这样的网络换个不同线数的雷达就不行了。（点云有其特殊性， 近处和远处稠密程度不一样，不同线数的激光雷达稠密程度也不一样）。

但是图像做物体识别却没有办法得到深度信息，于是很自然地，便有了将激光雷达点云上的点投影到相机图像上，借而得到深度的想法。而这样做的第一步就是激光雷达和相机的标定，借而得到相机与激光雷达的坐标系间的转换。

背景

PointNet 是Point cloud的Object detection问题的近乎奠基的论文。作者来自于Stanford，PointNet发表在CVPR 2017。这篇文章是VoxelNet（CVPR2018）的指导思想，VoxelNet将PointNet的功能由分类拓展到定位+分类。

背景

movebase是ROS 2d导航栈(navigation stack)的一部分。由于比赛需要所以花了许多时间去学习，然后我想分享下我所理解的入门的movebase使用方法。

背景

CS231n 看了好几次， 特此整理。大部分参照github仓库 CS231n-2017-Summary

背景

做cv project，题目是绿幕抠图，搜索到了baysian matting。于是便整理了一些有关贝叶斯公式、最大似然估计的知识，并简单介绍了Baysian Matting的思想。

问题提出

在做课题时遇到了一个问题：在视觉里程计中，当平移量t较小的时候的，根据对极约束算出来的旋转矩阵R为何不可信？

前言

这篇文章是针对像我一样非科班的编程爱好者，写着C style的C++代码但是想了解一些代码规范。这里摘抄了一些我认为平时用的到的、不涉及C++高级特性的Google代码风格规定，以供想快速了解的同学参考。