PX4 gazebo使用其他飞机模型和地图模型

大致说，为了实现一个有意义的自监督框架，需要很多pseudo-ground truth兴趣点。用一个合成的数据集–Synthetic Shapes，训练出来的检测器叫MagicPoint，用该检测器生成pseudo-ground truth兴趣点。尽管MagicPoint很好，但是存在域适应困难。为了解决这个问题，提出一个多尺度、多变化技巧–Homographic Adaptation。Homog

本文提出一种基于深度学习的网络GCNv2，用于关键点和描述子的生成。GCNv2是建立在我们之前的方法GCN上的。GCN是一个为3D射影几何进行训练的网络。GCNv2采用二进制描述子向量作为ORB特征，可以方便地在ORB- slam2等系统中替换ORB。与仅能在桌面硬件上运行的GCN相比，GCNv2显著提高了计算效率。展示了使用GCNv2功能的ORB-SLAM2的修改版本如何在嵌入式低功耗平台Jet

个人安装cuda和pytorch环境记录，方法简单，欢迎尝试。从这两幅图，很明显看到，我的cuda是支持到11.6的。客观来说，NVIDIA-SMI 是511.81，查对应表，也是只能支持到这个版本的cuda。但是参考文章，利用这条命令conda install cuda -c nvidia，总是下载cuda11.8，导致版本不

本文提出一种基于深度学习的网络GCNv2，用于关键点和描述子的生成。GCNv2是建立在我们之前的方法GCN上的。GCN是一个为3D射影几何进行训练的网络。GCNv2采用二进制描述子向量作为ORB特征，可以方便地在ORB- slam2等系统中替换ORB。与仅能在桌面硬件上运行的GCN相比，GCNv2显著提高了计算效率。展示了使用GCNv2功能的ORB-SLAM2的修改版本如何在嵌入式低功耗平台Jet

大致说，为了实现一个有意义的自监督框架，需要很多pseudo-ground truth兴趣点。用一个合成的数据集–Synthetic Shapes，训练出来的检测器叫MagicPoint，用该检测器生成pseudo-ground truth兴趣点。尽管MagicPoint很好，但是存在域适应困难。为了解决这个问题，提出一个多尺度、多变化技巧–Homographic Adaptation。Homog

大致说，为了实现一个有意义的自监督框架，需要很多pseudo-ground truth兴趣点。用一个合成的数据集–Synthetic Shapes，训练出来的检测器叫MagicPoint，用该检测器生成pseudo-ground truth兴趣点。尽管MagicPoint很好，但是存在域适应困难。为了解决这个问题，提出一个多尺度、多变化技巧–Homographic Adaptation。Homog

图传知识整理，涉及数字图传和模拟图传，以及一些相关知识。