原因：u_int16_t 和 u_int32_t 是 Linux/Unix 系统中常用的类型定义，但在 Windows 系统中通常不支持。解决方案：替换所有的 u_int16_t 和 u_int32_t 为标准的 uint16_t 和 uint32_t。解决方案：python setup.py build_ext --inplace -j1。原因：这样可以取消并行编译，更容易获得报错信息。

目标为了学习人的社会行为而创建了一个一对一交流数据库(MAHNOB Mimicry Database)数据库信息模态：视频+声音+身体追踪标签互动组数：54组(34组是关于政治话题的讨论，20组是关于租赁协议的讨论)总共时长：11小时参与人数：12个同盟者+48个对手标签：54组中的15组有完全的面部和身体追踪标签分类：模仿者和非模仿者重点模仿行为的存在与否可以作为自闭症的指...

首先需要确定当前外参是w2c还是c2w，一般数据集中提供的都是w2c矩阵，因为这个矩阵是用于将世界坐标系的网格投影到相机坐标系中。确定好了是w2c之后，由于opencv和opengl的y轴和z轴的方向是相反的，因此只需要将对应坐标轴反过来即可。

目前 3D 学习中，物体或场景的表示包括显式表示与隐式表示两种，主流的显式表示包括基于 voxel、基于 point cloud、和基于 polygon mesh 三种，隐式表示包括基于 Occupancy Function [1]、和基于 Signed Distance Functions [2] 两种。下表简要总结了各种表示方法的原理及其相应优缺点。1.1 Voxel表示图像：表示原理：体素用

本文提出了一种基于3D高斯体进行场景重建的方案，并提供了高效的渲染器实现。其重建精度，训练速度和推理速度均超越之前的SOTA方案。整体的思路就是先使用传统方案（COLMAP）将多视角图像对齐，并提取稀疏点云。然后以这些点为基础构建高斯体，在训练中动态的增减高斯体的数量和半径。之后对高斯体进行渲染，获得最终的重建结果。

之前有写过attention和transformer的理解，但是对于self attention中的qkv一直理解的不够透彻，直到今天看了李宏毅的视频才理解，所以记录一下。所谓QKV也就是Q(Query)，K(Key)，V(Value)首先回顾一下self-attention做的是什么：所谓自注意力，也就是说我们有一个序列X，然后我们想要算出X对X自己的注意力，也即X中的每个时间点与其余时...