3D数学基础——矩阵变换0. 前提假设与符号定义向量与矩阵假设向量kkk右向量hhh变换得到：设向量h=[x,y,z]Th=[x,y,z]^{T}h=[x,y,z]T设向量k=[u,v,w]Tk=[u,v,w]^{T}k=[u,v,w]T3维矩阵M3×3=[m11m12m13m21m22m23m31m32m33]M_{3×3}=\begin{bmatrix} m_{11} & m_{12}

这次作业的目的是运用课程上所学的逻辑回归方法（是二元分类问题）以及正则化处理方法的应用。这篇blog记录的我作业答案以及在做作业过程中遇到的一些问题。一、回顾一下逻辑回归与正则化处理的主要内容1、逻辑回归（1）分类问题与回归拟合问题不同，分类问题指的是预测结果是否属于某一个类别；使用的算法就叫做逻辑回归。（2）二元分类问题与逻辑回归算法因变量只属于两类之一，用0和1表示。逻辑回归的过程：预测结果二

Jupyter Notebook入门教程0. 前言Jupyter Notebook是一款创建和分享计算文档的网络应用程序。它提供了一种简单、流线型、以文档为中心的体验。由于它可以同时显示丰富的文本和运行代码，并且其内置丰富的交互式控件，能够极大地丰富了可视化功能，给使用者非常直观地体验，因此它非常适合作为个人笔记工具和教学工具。Jupyter官方网址IPython官方网址配套notebook文件下

这次作业的目的是运用课程上所学的逻辑回归方法（是二元分类问题）以及正则化处理方法的应用。这篇blog记录的我作业答案以及在做作业过程中遇到的一些问题。一、回顾一下逻辑回归与正则化处理的主要内容1、逻辑回归（1）分类问题与回归拟合问题不同，分类问题指的是预测结果是否属于某一个类别；使用的算法就叫做逻辑回归。（2）二元分类问题与逻辑回归算法因变量只属于两类之一，用0和1表示。逻辑回归的过程：预测结果二

2022-CVPR-深度估计文章目录2022-CVPR-深度估计0. 摘要1. 介绍2. 相关工作3. 系统3.1 硬件3.2 深度估计流程3.3 单目结构光3.4 立体匹配网络与融合策略4. 实验4.1 原型4.2 数据集与评估指标4.3 定量估计4.4 定性分析4.5 限制5. 结论题目：Depth Estimation by Combining Binocular Stereo and Mo

旋转向量和平移向量的本质文章目录旋转向量和平移向量的本质1. 平移向量的本质2. 旋转矩阵的本质1. 平移向量的本质如图所示，坐标系1和坐标系2平行但不重合，所以空间点从坐标系2到坐标系1的变换只有平移，空间的一点PPP在坐标系2和坐标系1的坐标分别设为P2P_{2}P2​和P1P_{1}P1​，设平移向量为t⃗\vec{t}t，即，空间点从坐标系2到坐标系1的变换可以表示为：P1=P2+t⃗P_

视场（FOV）补偿与分辨率（Resolution）补偿文章目录视场（FOV）补偿与分辨率（Resolution）补偿0. 前言1. 技术路线2. FOV补偿2.1 理论介绍2.1.1 相机内参回顾2.1.2 FOV2.1.3 FOV补偿2.2 代码及实验结果2.2.1 相机参数2.2.2 代码2.2.3 实验结果3. Resolution补偿4. 参考文献0. 前言如何将两个参数不一致的相机拍摄的

（超详细）张氏标定法原理及公式推导文章目录（超详细）张氏标定法原理及公式推导0. 前言1. 带着问题阅读2. 基本公式与符号定义2.1 符号表示2.2 模型平面（棋盘格）及其图像之间得单应性矩阵3. 单应性矩阵估计3.1 简单介绍3.2性质3.3 求解3.4 实际优化估计3.4.1 求解优化初值3.4.2 极大似然估计4. 相机内参估计4.1 相机内参的约束条件4.2 相机内参的封闭解4.2.1

互补格雷码+相移码实现物体三维重建，整个重建过程可以分为6个步骤

双目深度估计——视差到深度的两种推导方法文章目录双目深度估计——视差到深度的两种推导方法0. 基本假设1. 几何法（直观）2. 相机参数推导法3. 总结0. 基本假设假设双目系统是标准形式，即：两相机内参数相同，即焦距、分辨率等参数一致；两相机光轴平行；成像平面处于同一水平线；也就是说两相机只存在水平方向上的平移变换。1. 几何法（直观）设上面的所有长度的单位为m由上图标准双目立体系统俯视图所示，