最近在学习高翔博士的经典教程《视觉SLAM十四讲（第2版）》，使用其配套的C++代码进行学习，在调试时发现断点无效、错位的问题，查阅了一些资料，成功解决

本文主要记录《机器学习》第三章-线性模型的部分内容。线性模型基本形式线性模型的向量形式：f(x)=wTx+bf(\bm x) = \bm w^T \bm x + bf(x)=wTx+b线性模型形式简单、建模也容易，权重向量w\bm ww直观表达了输入样本x\bm xx各个特征维度在预测中的重要性，从而具有很好的可解释性（comprehensibility），这是线性模型的优点。另外，线性模型蕴涵机

主要介绍最优化理论中线性规划问题的标准模型以及该模型的基本假定。

本文主要记录《机器学习》第三章-线性模型的部分内容。线性模型基本形式线性模型的向量形式：f(x)=wTx+bf(\bm x) = \bm w^T \bm x + bf(x)=wTx+b线性模型形式简单、建模也容易，权重向量w\bm ww直观表达了输入样本x\bm xx各个特征维度在预测中的重要性，从而具有很好的可解释性（comprehensibility），这是线性模型的优点。另外，线性模型蕴涵机

水下光学成像存在物理介质固有的一些缺点，如光衰减和浑浊。声纳虽然通常分辨率较低，但可以避免这些问题。在水下应用中结合使用视觉和声纳数据的做法还不普遍，但研究人员对这一课题的兴趣与日俱增。不过，随着最近更高分辨率声纳系统的出现，结合/融合两种感知模式信息的方法可以改善水下成像，这对于自主导航、地图绘制和物体识别等应用具有特殊的意义。在本文中，我们将对这些系统的技术现状进行研究，并介绍文献中最相关的方

OR-SLAM3在前端跟踪中使用了GN方法而在后端局部建图中使用了LM方法，主要是考虑计算效率与精度的平衡跟踪线程主要负责实时的位姿跟踪，要求快速响应，实时性是首要考虑因素，选择计算效率更高的高斯-牛顿法。局部建图线程则负责对局部地图进行精细优化，允许较长的计算时间，选择 Levenberg-Marquardt 方法能够提供更高的优化精度和更强的鲁棒性。通过在不同的阶段选择不同的优化方法，ORB-

在构建视觉重投影误差的背景下，我们假设当重投影误差超过某个阈值时，有95%的置信度认为是由于错误匹配导致的离群点，从而以线性的方式添加到代价函数中；通过这样的方式，限制了错误匹配对优化算法的影响。

本文将介绍如何在VSCode中对一个CMake工程进行编译调试。

本文是对Linux系统中使用VSCode编译调试C++代码的系列文章的总结，给出了调试C++代码的本质逻辑和多种方案

通过一个简易C++代码工程，详细介绍C++源代码预处理、编译、汇编、链接的全过程。