背景引入在训练图像识别的深度神经网络时，使用大量更多的训练数据，可能会使网络得到更好的性能，例如提高网络的分类准确率，防止过拟合等。人为扩展训练数据时对数据的操作最好能反映真实世界的变化。人为扩充数据集之后如果分类准确率有明显的提升，说明我们对数据所做的拓展操作是良性的，能够“反映真实世界的变化”，就会被用到整个数据集的扩展。反之，则说明不能用此操作对数据集进行拓展。例如在2003年Patrice

文章目录脚本自动安装手动安装验证pycuda是否安装成功Resources脚本自动安装先使用如下脚本进行安装，如果成功则万事大吉，如果报错请继续往下看我自己配置的时候遇到两种错误执行完前两行后所有指令都无法使用：sudo, ls, pip…运行错误（红色）export PATH=/usr/local/cuda/bin:\${PATH}export LD_LIBRARY_PATH=/usr/loca

● python版本一定要大于3.8，尽量用conda装（自己试过本地安装python3.8.0, python3.9.14, python3.10都遇到了很多麻烦）● 直接clone github上的tinucudann可能会由于网络问题下不下来（因为要递归装cutlass，这个库有90多M）其中就这里的最后一步install容易报很多错误，可以参考【坑】● cuda11.3可能安不了高版本ti

开源数据集DTU数据集：针对MVS而专门拍摄并处理的室内数据集利用一个搭载可调节亮度灯的工业机器臂对一个物体进行多视角的拍摄，每个物体所拍的视角都经过严格控制，所以可以获取每个视角的相机内、外参数。数据集组成：124个不同的物体或场景，每个物体共拍摄49个视角，每个视角共有7种不同的亮度。每个物体或场景文件夹内部共有343个图片。每张影像的分辨率为1600×1200。（该数据集还包含带有深度图真值

P-MVSNet: Learning Patch-wise Matching Confidence Aggregation for Multi-View Stereo ICCV 2019Abstractvolume在深度和空间方向应该都是各向异性的，但之前都是各向同性的处理问题本文基于各向同性和各向异性的3D卷积构建网络两大核心模块：patch-wise aggregation module: 从

Attention-Aware Multi-View StereoCVPR 2020Abstractattention-enhanced matching confidence volume → robust photo-consistency将提取出特征的pixel-wise matching confidence与局部场景的上下文信息相结合attention-guided regulariza

写在前面猝不及防中半年就悄然过去了，去年保研季还历历在目，没想到21年的保研就要陆续开始了。写完之前的四篇之后由于各种冗杂的事情一直耽搁了，这应该最后的一篇里想把我剩下的干货全都整理出来，最重要的是我所参加各大高校的流程以及面试的问题等等，如果你已经完全考虑清楚了保研，也为保研做足了准备，希望你能在这篇里有针对性的对自己心仪的院校做足准备。开始之前有一点要说明：去年由于疫情原因，导致所有高校的保研

深度图像 = 普通RGB三通道彩色图像 + Depth MapRGB图和深度图是配准的，像素之间一一对应Depth Map｜深度图包含与视点场景对象表面距离有关信息的图像通道，通道本身类似于灰度图像，每个像素值是传感器测出距离物体的实际距离分类与相机距离成比例：较近的表面较暗; 其他表面较轻与标称平面的距离相关：靠近焦平面的表面较暗; 远离焦平面的表面更轻 - 与标称平面的距离相关：靠近焦平面的表

写在前面猝不及防中半年就悄然过去了，去年保研季还历历在目，没想到21年的保研就要陆续开始了。写完之前的四篇之后由于各种冗杂的事情一直耽搁了，这应该最后的一篇里想把我剩下的干货全都整理出来，最重要的是我所参加各大高校的流程以及面试的问题等等，如果你已经完全考虑清楚了保研，也为保研做足了准备，希望你能在这篇里有针对性的对自己心仪的院校做足准备。开始之前有一点要说明：去年由于疫情原因，导致所有高校的保研