本篇博文，将介绍，李群与李代数的关系，如何利用李群与李代数，构造便于表示的旋转/变换矩阵，来表示移动的场景和目标。核心内容是：传统的旋转矩阵R和变换矩阵T，如果要在欧式空间进行构造，那么构造这个矩阵非常复杂，需要9个参数描述旋转，12个参数描述变换（9个旋转+3个平移）。下面通过对李代数的介绍，指数映射，对数映射，刚体的旋转，刚体的变换（旋转+平移），随后给定参考坐标X0，移动相机，对场景进行拍摄

第四讲 李群与李代数 习题证明 第5题，本博客《SLAM十四讲》，主要是针对第四讲 第5题这个证明题，进行展开。网上其他的各种证明方法，都稍微有点复杂。所以有如下这个方法。

本文重点分析对极几何（Epipolar Geometry）、对极约束（Epipolar Constraint）、本质矩阵（Essential Matrix）和基础矩阵（Fundamental Matrix），以及他们之间的关系。

pycharm中报错：Error: failed to send plot to http://127.0.0.1:63342import matplotlib.pyplot as pltimport matplotlib.pyplot as pltplt.title("test")plt.xlabel('x')plt.ylabel('y')plt.savefig('test1.jpg')plt.

before：本篇博文先主要叙述ORB特征点提取算法，包括对其分解，FAST特征点的生成，BRIEF描述子的生成。然后对FPGA实现特征点提取进行简介。铺垫好这些基础后，在下一篇博文中，仔细介绍如何采用FPGA来实现高速的特征点提取。如何用VHDL来并行实现这一算法。请阅读本文时，记得看下一篇博文！一 、前言1.摘要：图像特征的检测和提取是计算机视觉

目标检测中计算mAP是较为复杂的，并不是很多讲解中说的那个计算precision和recall，然后总的ground truth 目标和检测出的真实目标做除法就可以了。而是需要构建precision和recall 曲线，然后计算曲线面积。一下是代码，可以去相关网站查看计算过程，过程较为复杂。mAP计算详解https://github.com/rafaelpadilla/Object-De...

基于深度学习的口罩识别与检测PyTorch实现1. 设计思路1.1 两阶段检测器：先检测人脸，然后将人脸进行分类，戴口罩与不戴口罩。1.2 一阶段检测器：直接训练口罩检测器，训练样本问人脸的标注信息，戴口罩的，不带口罩的。2. 算法具体实现。2.1 两阶段口罩识别检测器设计2.2 实现代码分析2.2.1 训练分类器并且保存模型2.2.2 人脸检测与剪裁，然后进行分类。3.总结4. 参考链接。两阶段

本文重点分析对极几何（Epipolar Geometry）、对极约束（Epipolar Constraint）、本质矩阵（Essential Matrix）和基础矩阵（Fundamental Matrix），以及他们之间的关系。

一、研究意义卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。在过去六年中，由于深度学习和卷积网络的发展和进步，基于图...

Automatic Generation of Multi-precision Multi-arithmetic CNN Accelerators for FPGAs最近arXiv上挂出来一篇文章，采用FPGA实现MobileNet V1，并且完全是不借助片外资源，用的是on-chip memory，没有利用off-chip RAM。整个模型在FPGA的内部有限资源上实现的。能够使得帧率在30..