在动手学习深度学习中对目标检测任务有如下的描述。图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）通过边界框给出了物体的相关位置信息我们通常使

Ngrok内网穿透如何让别人访问到自己的项目Ngrok的介绍ngrok 是一个反向代理，通过在公共的端点和本地运行的 Web 服务器之间建立一个安全的通道。ngrok 可捕获和分析所有通道上的流量，便于后期分析和重放。反向代理在计算机网络中是代理服务器的一种。服务器根据客户端的请求，从其关系的一组或多组后端服务器（如Web服务器）上获取资源，然后再将这些资源返回给客户端，客户端只会得知反向代理的I

下面使用自定义滤波的形式生成同样的结果，代码如下所示。输入参数：src：输入图像（灰度图或彩色图，支持 uint8、float32 等格式）。ddepth：输出图像的深度（如 -1 表示与输入相同，cv2.CV_64F 允许负值输出）。kernel：卷积核（单通道浮点型矩阵，如 np.float32）。可选参数：anchor：核的锚点位置（默认 (-1, -1) 表示核中心）。delta：卷积后添

引言介绍：如果只是希望获取图像上的一些信息（例如等），那么我们不会对三维空间中相机的位置有所要求。但如果希望通过二维的图像去理解三维空间中摄像机的信息，或者是图像中物体在三维空间中的信息，那么就不得不考虑成像过程中三维变化为二维时的具体过程。而摄像机模型就是三维到二维的一种映射。本文简要总结了单目相机的成像过程，以便于读者将相机模型作为一种基础的工具理解更深层次的内容。

趁着导师看写的研究生期间第一篇论文空闲下来的时间，打算补充学习总结回顾一下MOT和视觉跟踪等一些领域中在最新的时间段上的研究成果和论文。首先学习回顾CVPR2025和多目标跟踪相关的三篇论文，第一篇也就是这一篇个人认为是实现和理解起来最简单的一篇文章。到这个时候自己也是学习了MOT一年左右的时间了。虽然没有学的很精通多少是能够有了一些理解。随着自己研究实验和写第一篇论文的过程也是逐步的对MOT领域

目标跟踪和目标检测是计算机视觉中的两个重要概念，但它们的目的和方法是不同的。目标检测(object Detection)：是指在图像或视频帧中识别并定位一个或多个感兴趣的目标对象的过程。目标跟踪(object Tracking)：是指在连续地监测和定位一个或多个的过程。区别：跟踪与检测的区别Input：视频序列。

在三维的空间中采样射线的信息。

NetTrack构建了一个动态感知的关联与细粒度的网络，利用点级的视觉线索。相应地，细粒度采样器和匹配方法已被纳入。细粒度采样方法动态感知关联(历史目标框的点和候选框中点匹配完成后，目标框与候选框的匹配)NetTrack引入细粒度学习来解决关联和定位问题（定位主要是检测器的性能问题那里）关于关联，NetTrack利用对象外观上的物理点，这些物理点不易受对象动态性的影响，并形成细粒度的视觉线索。

现有的目标跟踪算法主要有两大类：分别是生成式方法运用生成模型描述目标的外观特征，之后通过对候选区域进行搜索寻找与目标最接近的候选区域作为跟踪的结果。比较常用的方法有卡尔曼滤波、粒子滤波和均值滤波等等。但这种方法，只使用了目标本身的一些特征，没有利用背景信息，所以在目标自身发生剧烈变化和遮挡时，跟踪结果会产生漂移。判别式方法使用图像特征+机器学习的套路，在当前帧目标附近采集正负样本(目标为正样本，背

是深度点云处理的开山之作。包括了两个最常用的算法PointNetPointNet++第二种包括了基于卷积的一些方法信息。第三种包括了通过图构造的方法来处理点云之间的关系信息。构造关系学习特征提取加池化等等一些点云处理的方向。之后在根据研究的需要，具体描述PointNet和PointNet++两个点云处理算法。