[点云学习] 一、点云相关知识了解
点云是一种表示三维空间中对象的数据结构，它由许多离散的点组成。每个点都有自己的位置坐标和可能的其他属性，如颜色、法向量和强度等。点云通常由激光扫描仪、相机或其他传感器捕获，用于创建三维模型、地图或进行遥感分析。在计算机视觉和机器学习领域，点云也被广泛应用于目标检测、物体识别、3D重建和虚拟现实等方面
sparse conv稀疏卷积
"""Args:"""self.features = features # 储存密集的featureself.indices = indices # 储存每个feature对应的voxel坐标系下的坐标self.spatial_shape = spatial_shape #存储voxel的最大边界s
量化自定义PyTorch模型入门教程
基础模型与量化模型具有相似的准确性，但模型尺寸大大减小，这在我们希望将其部署到服务器或低功耗设备上时至关重要。
NeRF必读：Mip-NeRF总结与公式推导
由于远景近景的分辨率不同，导致经典NeRF对于多尺度场景的表达存在明显瑕疵：NeRF对于近景的重建比较模糊而对于远景的重建出现锯齿。简单粗暴的策略是supersampling，但是费时费力。相较于NeRF使用的位置编码（PE）方式，Mip-NeRF提出了积分位置编码的方式（IPE）.这种编码方式可以
CV 经典主干网络 (Backbone) 系列: CSP-Darknet53
CSP-Darknet53无论是其作为CV Backbone，还是说它在别的数据集上取得极好的效果。与此同时，它与别的网络的适配能力极强。
openai的 ada，Babbage，Curie，Davinci模型分别介绍一下
具体来说，175亿个参数是指Davinci模型中的参数数量，该模型使用了一个大型的变压器（transformer）神经网络，该神经网络由多个Transformer encoder和decoder层组成。Ada：Ada是OpenAI推出的最新模型，它是一种大规模的、多任务的语言模型，能够执行多种不同的
监督学习、半监督学习、无监督学习、自监督学习、强化学习和对比学习
监督学习、半监督学习、无监督学习、自监督学习、强化学习和对比学习
20用于深度学习训练和研究的数据集
本文将整理常用且有效的20个数据集。
DETR训练自己的数据集
DETR训练自己的数据集
YOLOv8——CV界的XGBoost
yolov8是ultralytics公司于2023年1月开源的anchor-free的最新目标检测算法框架。封装在ultralytics这个库中：https://github.com/ultralytics/ultralytics它具有以下优点：1，性能速度领先：借鉴了之前许多YOLO版本的tric
报错：RuntimeError: expected scalar type Double but found Float
解决办法：这个是格式问题，希望的格式是double，但得到的是float。字面意思是这个，但是并不是非要把格式改成double，这个时候应该在出错的前面几处代码设个断点debug一下，我得到的结果是image、img_rgb都是tensor.unit8格式的，但程序所需要的是torch.float3
Mip-NeRF 360
Mip-NeRF360
基于自注意力机制的LSTM多变量负荷预测
在之前使用长短期记忆网络构建电力负荷预测模型的基础上，将自注意力机制 (Self-Attention)融入到负荷预测模型中。具体内容是是在LSTM层后面接Self-Attention层，在加入Self-Attention后，可以将负荷数据通过加权求和的方式进行处理，对负荷特征添加注意力权重，来突出负
视觉SLAM总结——SuperPoint / SuperGlue
视觉SLAM总结——super pixel/super clue/super map
GoogLenet网络详解
GoogLenet网络详解
TCIA (The Cancer Imaging Archive)--医学影像数据集
TCIA (The Cancer Imaging Archive)：是一个包含常见肿瘤（肺癌、前列腺癌等）医学图像及相应临床信息（治疗方案细节、基因、病理等）的大规模公用数据库，其影像模态包括MRI、CT等，图像格式均为DICOM，并且网站内数据在持续增加。它是癌症研究的医学图像的开放获取数据库。大
是否在业务中使用大语言模型？
但LLM究竟是什么，它们如何使你的企业受益?它只是一种炒作，还是会长期存在?
深度学习7:生成对抗网络 – Generative Adversarial Networks | GAN
生成对抗网络 GAN 的基本原理大白话版本非大白话版本第一阶段：固定「判别器D」，训练「生成器G」第二阶段：固定「生成器G」，训练「判别器D」循环阶段一和阶段二GAN的优缺点10大典型的GAN算法GAN 的13种实际应用
使用卷积操作实现因子分解机
本文将介绍如何使用卷积操作实现因子分解机器。
交叉熵简介
交叉熵（Cross Entropy）是用来衡量两个概率分布之间的差异性的一种方法。在机器学习和深度学习中，交叉熵常常被用作损失函数，用来衡量模型预测的结果与真实结果之间的差距。Hpq−i1∑npilogqi其中，pi表示真实分布中第i个事件发生的概率，qi表示模型预测分布中第i个事件发生的
