单目SLAM中的尺度漂移是什么在使用单目相机估计相机姿态和3D坐标时，需要对极几何、三角化估计，这个过程中会产生累积误差，进而导致尺度的不一致，产生尺度漂移。单目SLAM产生尺度漂移的根本原因是单目相机无法根据一张图片就会的图中物体的大小信息，这就是尺度漂移的根源。解决办法将前后两帧的尺度作为后续的尺度。采用全局式估计，使用统一的尺度。使用双目相机，增加一个额外的图像用于确定尺度。博主会持续更新一

大家都希望模型精度越高越好，除了尝试各种不同的模型之外，还可以通过一些训练策略来实现模型的涨点，这里分享一些博主常用的方法。1. warm upwarm up就是说一开始采用较低的学习率，等训练一段时间之后再采用较高的学习率并且随着学习率衰减策略衰减。能够有效的防止模型在较大学习率的时候由于步长过大很快陷入一个局部最小值区域的问题。2. 合适的学习率衰减策略学习率衰减策略比较常见，但很多时候大家都

点云、体素和mesh都是三维重建中常用的三维物体的表示方法。点云点云的概念点云是不规则的数据结构，就是用一堆点来表示物体，这种方法的限制是点与点之间没有联系，缺乏物体的表面信息。点云的表示方法点云一般采用NxNxN的三维矩阵，或编码xyz三个通道的栅格数据，或以深度图的方式进行表示。体素体素的概念体素就相当于图像中的像素，可以理解为三维物体中的像素，这就使得三维空间中的物体可以基于规则的空间体素进

原因CNN模型输入的一般都是图像矩阵，然后通过卷积操作进行特征提取，每次卷积都会考虑特征的上下文信息，并且随着模型的加深，从浅层提取的局部特征不断地处理、整合得到深层的高维特征。在这个过程中，特征的整合是缓慢有序发生的。同时，卷及操作还具有平移不变形特性，只管来解释就是：一个物体在图像中的任何区域都能被正确识别。因此，CNN在处理图像特征时候更具优势。DNN的输入时向量形式，并未考虑到图像的结构信

Kmeans是一个原理较为简单的聚类模型，它的操作步骤是随机选择k个点作为初始类心。计算每个元素和k个类心之间的距离并归类到最近的类里面。以每个类的均值作为新的类心。重复2和3知道所有的类心不再变化。博主会持续更新一些深度学习相关的基础知识以及工作中遇到的问题和感悟，喜欢请关注、点赞、收藏。...

深度估计是计算机视觉领域中的一个子任务，其目的是获取物体和拍摄点之间的距离，为三维重建、距离感知、SLAM、视觉里程计、活体检测、视频插帧、图像重建等一系列任务提供深度信息。这篇文章会对其做一个简单介绍。任务目标深度估计任务的目标就是获取物体和拍摄点之间的距离，最终会获得一个深度图，也称为光流图，它记录了同一物体在不同图像之间的视差，再通过相机参数、两个拍摄点之间的位置信息即可换算出物体和拍摄点之

sigmod、tanh、relu都是深度学习任务中常见的激活函数，主要作用是让模型获得非线性表达能力，这篇文章简单对它们做一个介绍。sigmoidsigmoid激活函数的取值分布在0到1之间，在深度学习再度被人们关注的初期是最常被采用的激活函数，但是由于网络层数的加深，采用sigmoid激活函数常常会导致梯度消失。另外，它的均值是0.5，并不是以0为中心的，因此也不便于计算。但是如果在输出层想将输

单目SLAM中的尺度漂移是什么在使用单目相机估计相机姿态和3D坐标时，需要对极几何、三角化估计，这个过程中会产生累积误差，进而导致尺度的不一致，产生尺度漂移。单目SLAM产生尺度漂移的根本原因是单目相机无法根据一张图片就会的图中物体的大小信息，这就是尺度漂移的根源。解决办法将前后两帧的尺度作为后续的尺度。采用全局式估计，使用统一的尺度。使用双目相机，增加一个额外的图像用于确定尺度。博主会持续更新一

三维重建是计算机视觉立体几何方向的主要任务，本文会对基于深度图的三维重建流程做一个简单概述。1. 获取深度图以及尺度信息第一步，是获取深度图以及尺度信息，如果是结构化的双目相机，就可以直接通过深度估计得到尺度关系，如果是多视角相机，就可以通过深度估计加上相机位姿估计得到尺度关系。关于其他深度估计的方法，可以参考我的另一篇文章深度估计概述。2. 将像素坐标转换为世界坐标像素坐标通过相机的内参矩阵以及

点云、体素和mesh都是三维重建中常用的三维物体的表示方法。点云点云的概念点云是不规则的数据结构，就是用一堆点来表示物体，这种方法的限制是点与点之间没有联系，缺乏物体的表面信息。点云的表示方法点云一般采用NxNxN的三维矩阵，或编码xyz三个通道的栅格数据，或以深度图的方式进行表示。体素体素的概念体素就相当于图像中的像素，可以理解为三维物体中的像素，这就使得三维空间中的物体可以基于规则的空间体素进