一、解决的问题如前所述，相机的位姿由6个自由度来表示，转换成数学描述就是由旋转矩阵和变换矩阵R,t{R,t}R,t描述，在SLAM中位姿是未知的，我们需要解决形如“什么样的相机位姿最符合当前观测数据”，即一种典型的方式是把它构建成一个优化问题，求解最优的R,t{R,t}R,t,使得误差最小化，即对位姿进行估计和优化。这里之所以引入李群和李代数是因为旋转矩阵自身是带有约束的(正交且行列式为1)，它们

本人所用的方法属于命令行安装一.下载安装包1.首先下载matlab2014a for linux安装包。由于百度网盘经常失效这里推荐卜居老师的云盘链接（可以到这里下载（http://yunpan.taobao.com/s/ZFLGQjNABU，提取码：dxBxMJ））有兴趣的可以访问其博客地址：http://blog.csdn.net/kkk584520/article/details/4

SDK版本：配置环境：win10 64位 +visual studio2015（2019也可）PS：前期尝试用VScode配置没配置成功，由于SDK有UI界面展示，需要MFC库支持，在用VScode配置时一直卡在MFC库上面，查阅微软官方论坛好像说VScode一般用来编辑code，不太支持开发，总之没尝试成功，建议小伙伴直接用visual studio 避免怕坑；同时官方建议版本为visual s

感谢@文礼@柳叶刀@光流 我的同事们所做的工作一、任务目标判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击二、应用场景金融支付、门禁、打卡机等应用场景三、难点攻击源分布过于广泛不同攻击源之间差距不明显使用场景限制检测方法当前开放样本数据不足四、解决方案目前主流的活体解决防范分为配合式和非配合式：配合式活体需要用户根据提示做出相应的动作从而完成判别非配合式活体在用户无感的情况下直接进行活体检测，具有更

定点化的意义深度学习模型往端侧迁移时通常受限于芯片的计算能力，PC端训练的模型是浮点型，而芯片端是整型计算，此时就需要做模型定点化定点化流程第一步：模型转ONNX第二步：ONNX打包量化第三步：PC和芯片端对齐具体如下：1. 模型转ONNX通常芯片厂商会有对应的文档指引，主要关注：支持的最大flops,支持的算子，layer类型，量化的API。1.1 支持的最大flops根据芯片所支持的flops

1、解决的环境版本依赖linux版本:centoscmake版本:3.3.2gcc版本:5.2.0g++版本:5.2.02、具体步骤第一步：升级gcc版本为 5.2.0shell命令//查看当前gcc版本gcc --versiong++ --version//下载对应版本cd /usr/lacal/srcwget http://ftp.gnu.org/gnu/gcc/gcc-5.2.0/gcc-5

三维重建方法总结在三维重建的发展路线中，SFM方法是其中经典的方法，进一步的随着硬件设备的发展当前的主流重建方法主要是基于RGBD相机的重建，因此这里我们主要对基于单目重建的SFM方法和基于RGBD的重建方法进行阐述一. SFM(struction from Motion)方法Structure From Motion(SFM) 方法解决的是从多幅二维图像序列中估计三维结构，由于图像之间可能是无序

人脸遮挡检测本质上属于人脸质量评价的范畴，在实际应用中为了达到更高的识别率通常需要人脸质量评价做图像质量判断一、二分类问题将遮挡问题定义为二分类问题，即遮挡图像和非遮挡图像，难点在于定义遮挡图像的定义边界。但通常二分类问题会比多分类问题简单；我在torch下训练的基于mobilenetV2的二分类遮挡，在MAFA遮挡数据集上的表现准确率能达到99.8%，测试图片约1700张。二、多分类问题2.1、

最近在做图像分类时查阅了一些相关资料发现输入的图片大小并非是固定大小224*224，因此很疑惑，查阅了一些资料发现了以下解答：版本框架：pytorch，模型加载来自torchvision对应链接为：https://discuss.pytorch.org/t/how-can-torchvison-models-deal-with-image-whose-size-is-not-224-224/510

1、解决的环境版本依赖linux版本:centoscmake版本:3.3.2gcc版本:5.2.0g++版本:5.2.02、具体步骤第一步：升级gcc版本为 5.2.0shell命令//查看当前gcc版本gcc --versiong++ --version//下载对应版本cd /usr/lacal/srcwget http://ftp.gnu.org/gnu/gcc/gcc-5.2.0/gcc-5