经典的计算机视觉问题是3-D重建。基本上可以分成两种路径：一是多视角重建，二是运动重建。前者有一个经典的方法是多视角立体视觉（MVS，multiple view stereo），就是多帧的立体匹配，这样采用CNN模型来解决也合理。传统MVS的方法可以分成两种：区域增长（region growing）和深度融合（depth-fusion）。soccor on tabke 等效果惊艳，在现有的5G..

VLM 决定认知上限VLN 决定任务表达能力VLA 决定商业可行性。

生成式AI与更广泛的AI有着相同的“为什么是现在（Why now）”的原因：更好的模型，更多的数据，更多的算力。这个类别的变化速度比我们所能捕捉到的要快，但我们有必要在大背景下回顾一下最近的历史。第1波浪潮：小模型（small models）占主导地位（2015年前），小模型在理解语言方面被认为是“最先进的”。这些小模型擅长于分析任务，可以用于从交货时间预测到欺诈分类等工作。但是，对于通用生成任务

VLM 决定认知上限VLN 决定任务表达能力VLA 决定商业可行性。

先来一份调研数据：2019 年，全球六大手机品牌的市场份额总计达到 73.3%，同比上升 3.98 个百分点。2019年是 5G 手机出货的元年，头部厂商发布强势产品，在 5G 手机领域依然占据非常高的市场份额。2019 年，华为、三星、 vivo 在全球 5G 手机市场份额分别是 36.9%、 35.8%、 10.7%。（Strategy Analytics,东莞证券）。下面是笔者关注的...

1. 动态目标实时三维重建-结构光方案动态目标 三维重建Stripe boundary codes for real-time structured-light range scanning of moving objects我们提出了一种新的实时结构光扫描方法。在分析现有结构光技术的基本假设之后，我们基于编码投影条纹之间的边界，导出了一组新的照明模式。这些条纹边界码允许对移动物体的距离扫描，只对

本文结合一些pape并且将资源进行整合，以便于后期的学习。博客将这些资源一下，这里不得提到大名鼎鼎的KinectFusion以及他后面的一系列工作。KinectFusion单篇论文引用都已经超过3000次了，可以称得上是具有划时代意义的一篇巨著，如果只想看现阶段效果最好的三维重建算法，请拉到文章最后（如有更好的算法，还请各位留言告知，以便于笔者及时更新，还望告知）一、KinectFusion（..

分水岭算法实现（C++、opencv）1.作用：分割图像，2.实现：#include <cmath>#include <iostream>#include <memory>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <o

此外，表4和表5中两者的比较也表明，基于EKF的地标求解器和基于GN的地标求解器都能有效、可靠地保证高精度，虽然基于EKF的地标求解器导致精度略有下降，但它可以实现明显较低的计算复杂度。因此很难在资源受限的系统上提供准确的定位，为了解决这个问题，本文提出了SchurVINS，一种基于滤波的视觉惯性系统，综合考量了视觉残差，同时通过Schur操作降低计算复杂度，使得精度和效率的得到了良好的平衡，并在

在目前实际的视觉SLAM中，闭环检测多采用DBOW2模型https://github.com/dorian3d/DBoW2，而bagofwords又运用了数据挖掘的K-means聚类算法，笔者只通过bagofwords模型用在图像处理中进行形象讲解，并没有涉及太多对SLAM的闭环检测的应用。PART ONE 1.Bag-of-words模型简介Bag-of-words模型是信息...