net可视化主要是以流程图的形式把caffe中使用的模型（每个layer以及layer和layer之间的连接）展现出来，这样更加直观和具体。caffe的python接口下面已经提供了可视net 的功能，就是'draw_net.py'文件。

欧拉法简介几何意义证明泰勒展开近似求导近似积分近似几种欧拉方式向前欧拉公式向后欧拉公式梯形公式改进欧拉法截断误差求解过程向前欧拉公式例子向前欧拉公式在惯性导航以及VIO等实际问题中利用IMU求解位姿需要对IMU测量值进行积分得到需要的位置和姿态，其中主要就是求解微分方程。但之前求解微分方程的解析方法主要是应用于一些简单和特殊的微分方程求解中，对于一般形式的微分方程，一般很难用解析方法求出精确解，只

简介摄像机标定(Camera calibration)简单来说是从世界坐标系换到图像坐标系的过程，也就是求最终的投影矩阵 PP 的过程，下面相关的部分主要参考UIUC的计算机视觉的课件（网址Spring 2016 CS543 / ECE549Computer vision）。基本的坐标系：世界坐标系(world coordinate system)；相机坐标系(camera coordina

QR分解简介之前介绍的矩阵的三角分解系列介绍了利用矩阵初等变换解决了矩阵三角化问题以及具体的三角分解。但是以初等变换工具的三角分解方法并不能消除病态线性方程组不稳定问题，而且有时候对于可逆矩阵有可能也不存在三角分解。所以后面为了解决这里问题，发展出来了以正交(酉)变换的矩阵的QR(正交三角)分解，矩阵的正交三角分解是一种对任何可逆矩阵均存在理想分解。进行QR分解需要用到施密特(Schmidt)正交

SuperPoint简介SuperPoint是magic leap公司在18年的一篇工作，主要内容是输入一张灰度图，提取图上的特征点同时计算该点对应的描述符。作者提供了相应的代码，不过遗憾的是训练代码和相应的渲染的训练数据没提供，只有测试代码。流程整体框架整体框架如下图，下面会abc三个步骤分别介绍：特征点提取预训练如果要使用有监督的深度学习方案来解决该问题，不同于其他传统的像分类...

在上一篇卡尔曼滤波详解已经给出详细的推导过程。这里给出几个示例加深理解，这个是几年前学习卡尔曼滤波时候整理的，比较啰嗦，初学者可以看看，了解过的就不用浪费时间了，主要是最近在整理资料差点弄丢，还是放到网上保存吧。简单示例1这个示例中假设状态是稳定的，也就是真实的状态是不随着时间变化的，那么利用卡尔曼滤波算法最后会收敛到最优的状态。参数设置对于所有的变量，本场景下都是一个具体的数值而不是矩阵...

杜利特/克劳特分解公式简介杜利特/克劳特分解例子引用矩阵的三角分解是求解线性方程组常用的方法，包括LU分解，LDU分解，杜利特(Doolittle)分解，克劳特(Crout)分解，LLT(乔累斯基Cholesky)分解，LDLT(不带平方根乔累斯基)分解等，以及为了满足分解条件又加入行列变换的LPU分解，PLU分解，LUP分解，LDPU分解等。这里矩阵的三角分解系列教程主要是针对在学习三角分解时候

简介矩阵的三角分解依赖的具体方法是之前讲到的高斯消元过程，所以看本文前建议先把高斯消元过程先看完。矩阵的三角分解是求解线性方程组常用的方法，包括LU分解，杜利特(Doolittle)分解，克劳特(Crout)分解，LLT(乔累斯基Cholesky)分解，LDLT(不带平方根乔累斯基)分解等。介绍按照高斯消元过程文章中假设矩阵A\mathbf{A}A的前n−1n-1n−1个顺序主子式都不为零，那么矩

改进欧拉法简介预估－校正截断误差例子在惯性导航以及VIO等实际问题中利用IMU求解位姿需要对IMU测量值进行积分得到需要的位置和姿态，其中主要就是求解微分方程。但之前求解微分方程的解析方法主要是应用于一些简单和特殊的微分方程求解中，对于一般形式的微分方程，一般很难用解析方法求出精确解，只能用数值方法求解。该系列主要介绍一些常用的常微分方程的数值解法，主要包括：[常微分方程的数值解法系列一] 常微分

LIFT本文提供了相应的theano 和 tensorflow，论文是比较早期的探索利用CNN的方法去学习特征的工作，而且该组是瑞士联邦理工学院的 cvlab，之前也做过很多 deep feature 和 三维视觉相关的研究，该工作很值得研究一下。主要思路本文利用CNN网络特征点提取，ori 估计和特征描述符的计算，而且是在统一模型框架里面学习这三个子任务。基本流程整体 pipeline...