0%

“Here’s to the crazy ones. The misfits. The rebels. The troublemakers. The round pegs in the square holes. The ones who see things differently. They’re not fond of rules. And they have no respect for the status quo. You can quote them, disagree with them, glorify or vilify them. About the only thing you can’t do is ignore them. Because they change things. They push the human race forward. And while some may see them as the crazy ones, we see genius. Because the people who are crazy enough to think they can change the world are the ones who do.”

— Apple’s “Think Different” commercial, 1997
Read more »

估计现在有很多同学使用了Hexo博客框架白嫖一套主题并部署在了Github上,这一切看起来很容易上手,于是开开心心地去写博客了,但到后面才发现这才是“苦难”的开始:原本以为是要写博客,但更多的时间是被用来优化网站。因为强迫症患者总是对网站各种不满意,于是自己挖坑又填坑。

本文属于日常折腾篇,尝试用vercel加速博客访问。

Read more »

首先回顾一下历史:ORB-SLAM首次在2015年被提出,它的改进版ORB-SLAM2在2017年被提出,同年提出了ORB-SLAM-VI,时隔3年,ORB-SLAM3横空出世,朋友圈、学术群里到处都在热议这个挂在ARXIV才不到3天的论文。好奇心的驱使下,本人偷瞄了一下论文,就在这里总结一下吧。

论文, Code Github, Code国内镜像, SLAM资源站

Read more »

对于经常刷Github的同学而言,是否会经常遇到图片加载不出来/GitHub访问慢等情况?反正我是经常遇到!为了解决这个问题,削微寒公布了解决方案:修改本机hosts,无需安装任何程序。下面是详细说明以及使用方法(修改自项目README)。

Read more »

译者注:这恐怕是全网有关卡尔曼滤波最简单易懂的解释,如果你认真的读完本文,你将对卡尔曼滤波有一个更加清晰的认识,并且可以手推卡尔曼滤波。原文作者使用了漂亮的图片和颜色来阐明它的原理(读起来并不会因公式多而感到枯燥),所以请勇敢地读下去!

本人翻译水平有限,如有疑问,请阅读原文;如有错误,请在评论区指出。

Read more »

注意arxiv读音与archive一样,英[ˈɑːkaɪv],美[ˈɑːrkaɪv]

国内访问论文预发布平台arxiv巨慢无比,让人闹心!网上找了一个很好用的方法,按照这个方法配置之后arxiv就秒开了。原理就是将arxiv重定向到xxx.itp.ac.cn(中科院理论物理研究所镜像)。
如果此时你找到了一篇文章,地址是arxiv.org/abs/1911.11763,只需要把arxiv.org换成xxx.itp.ac.cn即可。但每次都手动配置就很麻烦,为了贯彻将懒惰进行到底的精神,我们需要将上述过程自动化。配置如下:

Read more »

从一系列的图像中恢复物体的3D结构是计算机视觉研究中一个热门课题,这使得我们可以相隔万里从google map中看到复活节岛的风景。这得益于图像来自于可控的条件,使得最终的重建效果一致性且质量都很高,但是这却限制了采集设备以及视角。畅想一下,假如我们不使用专业设备,而是利用sfm技术根据互联网上大量的图片重建出这个复杂世界。

为了加快这个领域的研究,更好地利用图像数据有效信息,谷歌联合 UVIC, CTU以及EPFL发表了这篇文章 “Image Matching across Wide Baselines: From Paper to Practice”,[PDF],旨在公布一种新的衡量用于3D重建方法的标准模块+数据集,这里主要是指2D图像间的匹配。这个评价模块可以很方便地集成并评估现有流行的特征匹配算法,包括传统方法或者基于机器学习的方法。

谷歌公布2020图像匹配挑战的数据集:官网博客,文末有排行榜。

Read more »

SVD分解就是一种矩阵拆解术,它能够把任意矩阵$A \in \mathbb{R}^{m \times n}$拆解成3个矩阵的乘积形式,即:

其中,$U \in \mathbb{R}^{m \times m}$,$V \in \mathbb{R}^{n \times n}$都是正交矩阵,即列向量是正交的单位向量,$\Sigma \in \mathbb{R}^{m \times n}$的对角阵(奇异值)。搬运了来自MIT OpenCourseWare的在线课程并放在了B站,讲解得很清晰。

Read more »