泡泡图灵智库，带你精读机器人顶级会议文章标题：Perception, Guidance and Navigation forIndoor Autonomous Drone Racing using Deep Learning作者：Sunggoo Jung , Sunyou Hwang , Heemin Shin , David Hyunchul Shim来源：ICRA 2018...

随着计算机视觉的发展，摄影测量和计算机视觉逐渐交叉融合，两个不同学科之间的差异逐渐变小。但是在此处，博主仍旧想记录一下两个学科在几何关系描述上的一些本质差异。一、坐标的几何表示首先，对于两个领域来说，最为明显的一个差异就是对坐标的表示方法。在摄影测量中，通常直接直接使用二维坐标或者三维坐标对坐标进行描述。而在计算机视觉中，通常情况下使用齐次坐标对坐标进行表述。...

参考资料https://blog.csdn.net/app_12062011/article/details/51953030https://blog.csdn.net/gggttt222/article/details/92976511https://blog.csdn.net/Ketal_N/article/details/88829741https://docs.opencv.org/3.4

前言总体而言，摄影测量与计算机视觉在相机模型和成像几何上有许多的共通之处，尤其是在CCD/CMOS普及之后两者的差别逐渐变小。然而由于摄影测量发源于胶片相机时代并且摄影测量通常是俯视拍摄（即利用航空飞机从上向下拍摄）等等历史原因，摄影测量和计算机视觉两者在相机模型上还是有略微区别。本次将主要讲解两者的相机模型与成像几何，并展示两者的差异。摄影测量前文已经提到，摄影测量的主要目的还是...

论文High Quality Monocular Depth Estimation via Transfer Learning摘要本篇文章是一篇比较经典用Encoder-Decoder结构的网络，取得的效果也时很不错的。网络结构DenseDepth的encoder是DenseNet-169，decoder的上采用也没有用什么花里胡哨的方法，直接双线性插值。损失函数个人认为，本篇文章的损失函数是非常

论文DeepPruner: Learning Efficient Stereo Matching via Differentiable PatchMatch摘要DeepPruner这篇文章，本人在2019年上半旬就大致读过一次，但是那时候

论文Pyramid Stereo Matching Network摘要学习双目立体匹配，传统方法里不能不知道SGM，深度学习方法里则不能不知道PSMNet。这篇文章在GCNet的基础上，对网络进行了全面的改进，使得双目立体匹配迈上了一个新的台阶。网络模型熟悉GCNet后去理解PSMNet的网络模型，还是比较容易的。PSMNet整体还是可以分成4个模块，作者对其中的“特征提取”和“代价聚合”两个模块

论文MVSNet: Depth Inference for Unstructured Multi-view Stereo摘要MVSNet是深度学习多视立体匹配的开山之作（我个人认为），虽然其在网络结构上与双目立体匹配并没有太大的改进，但是其解决了如何进行多视下怎么可微的进行cost volumn构建。方法下图展示了MVSNet的主要结构，如果排除掉cost volumn的构建方法，可以说其与GCN

目的本篇博客的主要目的是记录测试DenseDepth的demo的过程，包括“pytorch模型构建”和“keras模型参数转pytorch”两大部分，当然最后还有一个实验模块。注明以下，本篇博客为啥要构建pytorch模型。原因很简单：一、我不会keras；二、希望通过构建新的模型来加深本人对DenseDepth的理解。代码本篇博客在撰写时，主要使用了两个代码，分别是原始代码，以及最终修改好的结果

摄影测量学是测绘领域中使用二维影像进行三维测量的一个学科；而计算机视觉则是利用影像形成对周围世界的认识，其中一个重要的研究课题就是恢复影像中的三维信息。因此可以发现，两个学科的研究目标是具有一定程度的相似，然而两者不可避免的存在许多区别个差异。虽然随着学科的快速发展，两者间的差异逐渐减小；但是我们依然有必要明白两者之间的区别，从而加深对两个学科的理解。本系列博客的主要目的是对比两个学科在三维重..