下面说明如何在QT GUI界面上添加控件显示用pcl读入的三维点云数据。QT5.12.1的安装与VS2017配置参照下面博客，博客中是QT5.11.1https://blog.csdn.net/gaojixu/article/details/82185694QT5.12.1的下载路径如下：链接：https://pan.baidu.com/s/1YDizCx2_zF4LQBOnk3JxhA提取码：5

本来想温习下数电，模电，单片机，电路设计，外围配套端口和设备方面的知识，往底层硬件方面去，鉴于精力有限，初衷点是想把算法和硬件相结合，考虑到这些年主要是算法方面（图像处理、3D点云处理、深度学习）的积累，为了更好的延续，还是选择从嵌入式的系统级别（应用层开发，嵌入式图像处理）入手吧（涉及shell, readline,make,交叉工具链的使用等）。先选择一款能够跑深度学习的硬件平台，下面就简单整

博主之前已经有一篇博客有这方面的介绍，这段时间自己也熟悉了下树莓派（前面也有很多关于此的系列博客），后面会继续实战下。用于跑深度学习的嵌入式硬件平台资料整理_竹叶青lvye的博客-CSDN博客本来想温习下数电，模电，单片机，电路设计，外围配套端口和设备方面的知识，往底层硬件方面去，鉴于精力有限，初衷点是想把算法和硬件相结合，考虑到这些年主要是算法方面（图像处理、3D点云处理、深度学习）的积累，为了

一. 数据集方面1. 关于深度学习数据集的介绍可以参见此博客Tensorflow知识点总结（一）_竹叶青lvye的博客-CSDN博客2.mnist数据集获取的三种方式见博客Tensorflow知识点总结（二）_竹叶青lvye的博客-CSDN博客3.对于一些深度学习框架，已经包含了常用的数据集，如下博客的最后有相关代码获取Ubuntu配置TensorRT及验证_竹叶青lvye的博客-CSDN博客获取

接着前面系列博客来讲，这里来实现下官方例子一.在Raspberry Pi 4B上进行图像分类examples/lite/examples/image_classification/raspberry_pi at master · tensorflow/examples · GitHubTensorFlow examples. Contribute to tensorflow/examples de

从博客https://blog.csdn.net/jiugeshao/article/details/112093981写完后，整了一段时间温故了这三个方面的算法知识，同时也找寻了相应的代码去实现这些算法，并在自己的数据集上进行测试。当前对这三个方面的知识点还记忆犹新，结合所看的论文博客归纳下自己的理解（不涉及细节，大方向的了解）。后面会把目标检测和目标分类中的常用算法实现一遍，然后就打算转战Li

之前是纯python脚本在跑一些功能，就当时在用matlab做图像处理，做做实验还可以。上到项目还是要用C++,但python里面的一些功能代码又不想再用C++代码再实现一遍，故用C++来调用一些python脚本。长久之计还是完全用C++代码实现吧。下面介绍下相关配置吧：1.用VS2013新建一个控制台程序，选择Release X64配置2.sample1.cpp里代码

整理下目标检测常用算法的知识：一. RCNN (Regions with CNN) RBG1. 候选区域选择（region proposal), 用到了SelectiveSearch2. 对于每个区域利用CNN抽取一个固定长度的特征向量（Alexnet， 基于Caffe进行的代码开发）3. 再对每个区域利用SVM进行目标分类。同时做边界回归。技巧：采用在ImageNet上已经训练好的模型，然后在P

这对于一些爱好者，在想学习某个品牌嵌入式系统（如树莓派，Jetson系列）的同时，又能很快的用现成的其搭建好的整体软硬系统产品做一些效果验证，不然嵌入式系统的外围配件等就要自己操心了。博主近期入手了一个带机械臂的智能小车，会以此作为入口点，验证机械臂配合2D相机做引导，配合3D深度相机做引导，同时会涉及MoveIt2仿真，ROS2，SLAM建图等。这家专注于教育学习领域，在各成品模块的基础上，做集

整理下目标检测常用算法的知识：一. RCNN (Regions with CNN) RBG1. 候选区域选择（region proposal), 用到了SelectiveSearch2. 对于每个区域利用CNN抽取一个固定长度的特征向量（Alexnet， 基于Caffe进行的代码开发）3. 再对每个区域利用SVM进行目标分类。同时做边界回归。技巧：采用在ImageNet上已经训练好的模型，然后在P