PCL入门系列 —— VoxelGrid体素栅格降采样
在进行点云数据处理时，如果输入的点云数据量过大，会导致整体处理流程非常耗时，这时可以通过对点云数据进行降采样将数据量减少，加快运行速度；体素栅格采样在采样后，依然能保持点云数据的整体几何结构，而且通过设置最小内点数量，还能起到滤波的效果；...
Eigen入门系列 —— Eigen::Matrix常用数据类型及初始化
Eigen入门系列 —— Eigen::Matrix常用数据类型及初始化前言程序说明输出结果代码示例前言随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程示例，让初次使用者能够最简单..
Eigen入门系列 —— Eigen::Matrix数据的读写、访问、替换
Eigen::Matrix的几种矩阵数据读写方式示例：data()、block<rows, cols>(startRow, startCol)等；
Eigen入门系列 —— Eigen::Matrix矩阵点乘、叉乘、转置、求逆、求和、行列式、迹、数乘
Eigen入门系列 —— Eigen::Matrix矩阵点乘、叉乘、转置、求逆、求和、行列式、迹、数乘前言程序说明输出结果代码示例前言随着工业自动化、智能化的不断推进，机器视觉（2D/3D）在工业领域的应用和重要程度也同步激增（识别、定位、抓取、测量，缺陷检测等），而针对不同作业场景进行解决方案设计时，通常会借助PCL、OpenCV、Eigen等简单方便的开源算法库进行方案的快速验证和迭代以满足作业场景下的目标需求。为了让对工业机器视觉方向感兴趣的同学能够少走一些弯路，故推出了此一系列简易入门教程.
Google Earth Engine——MERRA-2 M2T1NXSLV：1980-至今全球压力、温度、风等数据集
该集合包括常用垂直水平的气象诊断，例如2米（或10米、850hPa、500hPa、250hPa）的气温、50米（或2米、10-米、850hPa、500hPa、250hPa)、海平面压力、地表压力和总可沉淀水蒸气（或冰水、液态水）。数据字段使用从0030UTC开始的一小时的中心时间进行时间戳，例如0030、0130、...、2330UTC。500hPa时的空气温度。500hPa时的比湿度。850hPa时的比湿度。850hPa时的高度。...
Google Earth Engine——MERRA-2 M2T1NXAER：1980-2022年气溶胶逐日数据集
该集合包括同化气溶胶诊断，例如气溶胶成分（黑碳、灰尘、海盐、硫酸盐和有机碳）的柱质量密度、气溶胶成分的表面质量浓度和总消光（和散射）气溶胶光学厚度(AOT)在550nm。粉尘散射AOT[550nm]-PM2.5。海盐消光AOT[550nm]-PM2.5。海盐散射AOT[550nm]-PM2.5。除尘AOT[550nm]-PM2.5。总气溶胶消光AOT[550nm]总气溶胶散射AOT[550nm]有机碳消光AOT[550nm]...
pytorch搭建卷积神经网络【第七课_tensor_图像操作_1】
文章目录前言一、tensor打印配置二、读取图像三、 permute矩阵的块行列进行交换四、预先分配张量 然后读取图像填充张量五、显示数据及图像六、正则化数据 方法一七、正则化数据 方法二总结前言案例代码https://github.com/2012Netsky/pytorch_cnn/blob/main/1_image_dog.ipynb一、tensor打印配置#!/usr/bin/env python# coding: utf-8import numpy as npimport torc
OpenCV_python编程
文章目录前言1、OpenCV读图及显示2、自定义函数读图及显示3、读取摄像头图片4、裁剪5、通道分离及通道融合6、边界填充7、数值计算8、第二种显示图片方式9、图像融合（高级）10、调整大小11、matplotlib 显示图像12、显示多张图片13、灰度图14、阈值分割15、显示图片16、显示17、滤波18、形态学-腐蚀操作19、腐蚀20、形态学-膨胀操作21、腐蚀22、开运算与闭运算23、梯度运算24、礼帽与黑帽25、图像梯度-Sobel算子26、图像梯度27、Canny边缘检测28、图像金字塔29、拉普
不翻墙 轻松打开github
文章目录一、打开Gitee.com二、搜索dev_sidecar，打开docmirror/dev-sidecar三、下载安装包四、gitee release五、下载完按默认安装六、安装完成导入数字证书七、本地用户八、秒开github一、打开Gitee.com二、搜索dev_sidecar，打开docmirror/dev-sidecar三、下载安装包四、gitee release五、下载完按默认安装六、安装完成导入数字证书七、本地用户八、秒开github...
【PyTorch 模型剪枝实例教程2（结构化剪枝）】
文章目录一.导包&定义一个简单的网络二.获取网络需要剪枝的模块三.模块结构化剪枝（核心）四.总结目前大部分最先进的（SOTA）深度学习技术虽然效果好，但由于其模型参数量和计算量过高，难以用于实际部署。而众所周知，生物神经网络使用高效的稀疏连接（生物大脑神经网络balabala啥的都是稀疏连接的），考虑到这一点，为了减少内存、容量和硬件消耗，同时又不牺牲模型预测的精度，在设备上部署轻量级模型，并通过私有的设备上计算以保证隐私，通过减少参数数量来压缩模型的最佳技术非常重要。稀疏神经网络在预测精度
【PyTorch模型剪枝实例教程3（多参数与全局剪枝）】
文章目录一.导包&定义一个简单的网络三.全局剪枝四.总结目前大部分最先进的（SOTA）深度学习技术虽然效果好，但由于其模型参数量和计算量过高，难以用于实际部署。而众所周知，生物神经网络使用高效的稀疏连接（生物大脑神经网络balabala啥的都是稀疏连接的），考虑到这一点，为了减少内存、容量和硬件消耗，同时又不牺牲模型预测的精度，在设备上部署轻量级模型，并通过私有的设备上计算以保证隐私，通过减少参数数量来压缩模型的最佳技术非常重要。稀疏神经网络在预测精度方面可以达到密集神经网络的水平，但由于模
【模型压缩- 剪枝/量化/蒸馏/AutoML】
文章目录原因解决方式目的1. 剪枝2. 量化3. 蒸馏4. AutoML原因深度学习计算复杂度高，参数冗余。解决方式（1）线性或非线性量化。（2）结构或非结构剪枝。（3）网络结构搜索。（4）权重矩阵的低秩分解。（蒸馏）目的优化精度、性能、存储……使得可以在一些场景和设备上进行相应模型的部署。1. 剪枝（1）剪枝位置的判定一般根据权重。权重越小，证明该神经元的作用越小。（2）剪枝的方式：删去网络层上的权重的向量/整个神经元/单个像素（数据）。由于矩阵操作的并行化，减去单个像素或者向
【加速 PyTorch 模型训练的 9 个技巧】
文章目录0. 导读1. DataLoaders2. DataLoaders 中的 workers 的数量3. Batch size4. 梯度累加6. 单个GPU训练7. 16-bit 精度8. 移动到多个GPUs中9. 多节点GPU训练10. 在单个节点上多GPU更快的训练11. 对模型加速的思考0. 导读使用DataLoadersDataLoader中的workers数量Batch size梯度累计保留的计算图移动到单个16-bit 混合精度训练移动到多
【提高准确率方法总结】
文章目录1.数据集扩增2.增大数据集差异性，随机性3.使用tensor transform对数据进行预处理4.调节batch_size大小5.设置shuffle=True6.调节学习率（learning rate）7.权重衰减 （weight_decay）8.适当增加训练轮次（num_epochs）9.dropout()参数及位置10.参数初始化11.调整网络结构（层数，每层的大小，函数）当初步搭建好网络，模型能出初步结果后，若想优化，可以考虑调整：1.数据集扩增一般增加数据集容量，训练后的准确率会
今日推荐
周排行