相关推荐
【2026最新版】PCL点云处理算法汇总(C++长期更新版)
PCL学习目录。博客长期更新,最近一次更新时间为:2026年10月4日。
『OPEN3D』1.1 点云处理 python篇
介绍了open3d中对点云的基层操作内容
【2026最新版】Open3D Kmeans点云聚类(python详细过程版)
Kmeans点云聚类(详细过程版)博客长期更新,本文最新更新时间为:2026年3月2日。
【2026最新版】Open3D 点云投影到拟合平面(python详细过程版)
点云投影到平面,博客长期更新,本文最新更新时间为:2026年4月11日。
Open3D 体素下采样【2026最新版】
体素滤波,博客长期更新,本文最近更新时间为:2026年4月11日。
Open3D 球旋转算法(BPA)三维建模【2026最新版】
球旋转算法,博客长期更新,本文最新更新时间为:2026年4月11日。
PCL RANSAC拟合空间圆【2026最新版】
RANSAC三维点云空间3D圆拟合。博客长期更新,本文最新更新时间为:2026年4月13日。代码在PCL1.15.0中测试通过
Open3D 点云切片【2026最新版】
点云切片的python代码实现,博客长期更新,本文最新更新时间为:2026年5月10日。
Open3D——点云构建Delaunay三角网【2026最新版】
点云构建Delaunay三角网
Open3D——RANSAC拟合球面【2026最新版】
RANSAC三维点云球面拟合,博客长期更新,本文最新更新时间为:2026年3月5日。
Open3D Ransac拟合分割多个平面【2026最新版】
Open3D分割点云数据中的多个平面并保存到本地文件夹的python代码实现。博客长期更新,本文最新更新时间为:2025年3月2日。
Open3D 获取指定高程的所有点【2026最新版】
Open3D 获取指定高程的所有点并保存,博客长期更新,本文最新更新时间为:2026年5月10日。
Open3D FPS下采样(详细过程版)【2026最新版】
python实现的Farthest Point Sampling (FPS)点云滤波算法。博客长期更新,本文最近更新时间为:2026年4月11日。
【2026最新版】Open3D Ransac拟合空间直线(python详细过程版)
使用python详细过程版实现的Ransac拟合空间直线。博客长期更新,本文最新更新时间为:2026年3月2日。
Open3D 计算点云的归一化协方差矩阵和三维质心【2026最新版】
计算点云的归一化协方差矩阵,博客长期更新,本文最新更新时间为:2026年3月7日。
Open3D 中坐标系的定义方式【2026最新版】
Open3D 中坐标系的定义方式,博客长期更新,本文最新更新时间为:2026年5月10日。
SAP PS模块预算控制实战:为什么你的采购订单金额和预算占用对不上?
本文深入解析SAP PS模块中采购订单金额与预算占用偏差的常见问题,揭示承诺成本与实际成本的分流处理机制。通过实战案例和六步定位法,提供发票拆分、跨年度预算等典型场景的解决方案,并分享预防性配置框架和最佳实践,帮助企业有效控制预算偏差。
基于Unity引擎利用OpenCV和MediaPipe的面部表情和人体运动捕捉系统
增加了模型的绑定,利用Mediapipe这个强大的库可以实现识别面部表情的捕捉和人体结构运动的捕捉,基于以上的特性加入到Unity的人物模型中,实现实时的面部表情和人体运行的捕捉
Windows 10错误代码解析与系统故障排除指南
操作系统错误代码是系统运行状态的直接反馈,Windows系统通过特定编码机制将故障信息转化为可识别的错误代码。从技术原理看,这些代码通常对应特定的异常处理流程,包括内存管理、驱动兼容性、文件系统等核心模块。理解错误代码对于系统维护具有重要价值,能快速定位问题根源,提高故障排除效率。在实际应用场景中,蓝屏错误(如0x0000007B)、系统升级失败(如0x80070002)和启动故障是最常见的三类问题。通过分析dump文件、使用WinDbg工具和系统内置诊断功能,可以有效解决大部分系统异常。特别是对于蓝屏错误
信号的自相关和互相关
自相关是描述信号与自身在不同时间延迟下的相似度,常用于信号的周期性分析和谱估计。互相关是描述两个信号之间在不同时间延迟下的相似度,常用于信号匹配、时延估计和信号检测。通过自相关和互相关,可以理解信号的特性、信号之间的关系,并用于许多信号处理任务,如检测、定位和谱分析。
【CV论文精读】【协同感知综述】Collaborative Perception for Autonomous Driving :Current Status and Future Trend
感知是自动驾驶系统的关键模块之一,近年来取得了很大进展。然而,单个车辆的有限能力导致感知性能提高的瓶颈。为了突破个体感知的局限,协作感知被提出,它使车辆能够共享信息来感知视线和视野之外的环境。本文综述了有前途的协作感知技术的相关工作,包括介绍了基本概念,概括了协作模式,总结了协作感知的关键要素和应用。最后,我们讨论了这一研究领域面临的挑战和问题,并给出了一些潜在的进一步方向。
【FPGA教程案例100】深度学习1——基于CNN卷积神经网络的手写数字识别纯Verilog实现,使用mnist手写数字数据库
MNIST 数据库有一个 60,000 示例的训练集,还有一个 10,000 示例的测试集。这些数字已在大小方面规范化,在固定大小的图像中居中。如下图所示:我们任意选择0~9是个数字,将其转化为数字:0_0.txt1_0.txt2_0.txt3_0.txt4_0.txt5_0.txt6_0.txt7_0.txt8_0.txt9_0.txt。
【Python】秋招机考 —— 2025/8/27 华为 AI 方向
2025 华为 AI 秋招机考题目包含15道单选题、5道多选题和2道机器学习编程题,涵盖核心算法与数学知识。单选题考察了Softmax激活、Transformer位置编码、Jacobi迭代、大模型幻觉现象、特征向量、K-means聚类、矩阵秩、实对称矩阵性质、SVD分解、概率论等知识点。多选题涉及高斯-赛德尔迭代和朴素贝叶斯分类器。
2026.3.28:langgraph使用mysql进行持久化会话存储(短期记忆和长期记忆)
本文介绍了如何使用MySQL持久化存储LangGraph会话数据(短期和长期记忆)。首先安装必要的依赖包,然后通过Python代码实现将短期记忆写入MySQL数据库。主要步骤包括:1) 建立MySQL连接;2) 创建代理(agent)并配置检查点(checkpointer)和存储(store);3) 实现工具函数如计算器和天气查询;4) 使用中间件跟踪工具和模型调用次数。最后展示了如何从MySQL读取短期记忆数据,完成会话的持久化存储和检索功能。代码示例包含完整的实现细节,包括状态管理、消息处理和数据库操作
贝叶斯统计 [韦来生编]
贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。 本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。 大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。 作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。 本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
63万+



被折叠的 条评论
为什么被折叠?



