关于我
Xiao Liu (刘骁)
E-mail: liuxiao (at) foxmail.com
Interests
Computer Vision, 3D Vision, SLAM, AR/VR, Robotics
Professional Experience
| 时间 | 公司 | 部门 | 职位 |
| 2018.10-至今 | 旷视科技有限公司 | 研究院 | 总监 |
| 2013.10-2018.10 | 腾讯科技（北京）有限公司 | 微信产品部 | 高级研究员 |
| 2010.12-2013.10 | 腾讯科技（北京）有限公司 | 研究院 | 高级研究员 |
| 2010.06-2010.11 | 佳能信息（北京）有限公司 | 研究院 | OCR研究员（实习） |
| 2009.09-2010.04 | 联想研究院 | 移动互联网技术部 | 研究员（实习） |
Education
| 时间 | 学校 | 院系 | 学历 |
| 2008.9-2011.1 | 北京航空航天大学 | 计算机科学与技术 | 硕士研究生 |
| 2003.9-2007.7 | 北京航空航天大学 | 应用物理（应用电子技术） | 本科 |
Research
Challenge Winnings
| 年份 | 比赛 | 链接 |
| 2020 | CVPR 2020 SLAM Challenge Haotian Zhang, Zheng Chai, and Xiao Liu 1st place in both Mono & Stereo Track competition | 链接 |
Recent Publications
| 论文/作者 | 会议/期刊 | 下载 |
| Structure Reconstruction Using Ray-Point-Ray Features: Representation, Triangulation and Camera Pose Estimation Yijia He, Xiangyue Liu, Xiao Liu, Ji Zhao | ICRA 2021 | |
| TP-LSD: Tri-Points Based Line Segment Detector Siyu Huang, Fangbo Qin, Pengfei Xiong, Ning Ding, Yijia He, Xiao Liu | ECCV 2020 | Download |
| Leveraging Planar Regularities for Point Line Visual-Inertial Odometry Xin Li, Yijia He, Jinlong Lin, Xiao Liu | IROS 2020 | Download |
| MLIFeat: Multi-level information fusion based deep local features Yuyang Zhang，Jinge Wang，Shibiao Xu，Xiao Liu，Xiaopeng Zhang | ACCV 2020 | Download |
| Coarse-To-Fine Visual Localization Using Semantic Compact Map Ziwei Liao, Jieqi Shi , Xianyu Qi, Xiaoyu Zhang, Wei Wang, Yijia He, Xiao Liu , Ran Wei | ICCR 2020 | Download |
Talks
| Talk | Talk | 地址 |
| 将门公开课 2020 | 三维视觉与机器人 | 链接 |
| SIGGRAPH Asia 2016 | QAR Open Platform | 链接 |
23 Comments
【请教】有关你写的MXNet的image-classification-predict.cc的疑问
liuxiao你好，
我看到你贡献给MXNet的image-classification-predict.cc代码做predict。
https://github.com/dmlc/mxnet/blob/master/example/cpp/image-classification/image-classification-predict.cc
有个疑问请教一下。
在GetMeanFile中你是直接设置mean=117，你的注释里也写着：
// Better to be read from a mean.nb file
我现在有图像均值的二进制文件mean.bin，想直接整张图片做矩阵减，
还请问该如何读文件 以及做后续的norm操作呢？
直接用你的数值在我的数据集上预测结果不佳，
而且实验发现修改该值对最终的top-1预测结果影响很大
希望能够获得你的帮助，非常感谢！
hi，我昨晚抽空改了下提交了个 patch，试了几张图应该和以前没有变化。你看能不能解决你说的问题：
https://github.com/dmlc/mxnet/pull/1507
Xiao Liu
Hi 技术刘, skylook,
你们好! 请问能帮忙看看以下的问题吗?
https://github.com/dmlc/mxnet/issues/2709
谢谢!
WeiSheng
您好我有个关于image-classification-predict.cc的疑问
我想在windows环境下运行这个demo但是在windows下编译的dll跟lib使用时会报error LNK2001: 无法解析的外部符号 __imp__MXPredFree D:\poi\testcv_mxnetnet\testcv\Source.obj
这样错误，用官方预编译的版本也会这样，怎么解决啊？
抱歉，没有用 windows 编译过 mxnet。
liuxiao.net
Not needed.
你好，这篇文章里，你对比了vi-orb-slam和orb slam的定位精度，但是我理解orb slam应该是得不到尺度信息的，而vi-orb-slam是有尺度的，你给出的rmse应该是实际的物理值，那orb slam的rmse值是怎么得到的呢？ 另外，rmse是指的关键帧的计算位置和ground truth的位置的误差吗？ 谢谢
liuxiao 你好，你的这篇文章里，你对比了vi-orb-slam和orb slam的定位精度，但是我理解orb slam应该是得不到尺度信息的，而vi-orb-slam是有尺度的，你给出的rmse应该是实际的物理值，那orb slam的rmse值是怎么得到的呢？ 另外，rmse是指的关键帧的计算位置和ground truth的位置的误差吗？ 谢谢
orb slam双目可以估计绝对尺度，单目是用拟合算法拟合出一个与真值最接近的scale作为绝对尺度再进行估计。这些方法在前面的博文中evo工具均有提供。rmse是关键帧的位置和GT的误差
1. orb-slam2 保存的相机轨迹和groundtruth有很大的区别，完全不吻合。是不是坐标系的问题啊？orb-slam2没做坐标变换？
2. orb-slam2 有木有加入IMU信息的版本啊？
1、如果运行正确没有问题，请参见：http://www.liuxiao.org/2017/11/%E4%BD%BF%E7%94%A8-evo-%E5%B7%A5%E5%85%B7%E8%AF%84%E6%B5%8B-vi-orb-slam2-%E5%9C%A8-euroc-%E4%B8%8A%E7%9A%84%E7%BB%93%E6%9E%9C/
2、加入IMU信息的没有官方版本只有王京等一些人个人的一些实验代码。
hello，关于mxnet里的example。我想在自己的系统里面使用mxnet的结果，做相近的sementation的工作，只需要将lib文件里编译好的库文件复制到本地文件就可以了吗？那cmakelist里面需要怎么链接呢？看您提供的makefile不是很明白。
liuxiao.net出售
有没有C风格的调用mxnet的例子, 想用rust 绑定一下
(嘤嘤怪出没)
最近许久没有再研究mxnet了
单目是用拟合算法拟合出一个与真值最接近的scale作为绝对尺度再进行估计。大佬，这句话我没有太理解，有没有参考的资料，我学习下。最近有点纠结这个单目的scale。谢谢
Hi 刘先生
我是无人驾驶领域猎头刘敏，关注到您在腾讯的工作，我正在帮我北上深杭苏的无人驾驶客户寻找SLAM这块的职位，期望能与您交换个电话号码做进一步沟通，我的电话是15959217633（微信同号），期待您的消息。
刘敏
哇，现在猎头同志这么专业都上博客了
666 tql
我也是，哈哈
你好，巧合下看到你的博客，想了解一下在deep vslam这块的一些问题。UnSuperPoint在我看到的几个复现中都表示学习不出特征的位置，结果是一个均匀分布的检测结果。所以想问一下博主关于UnSuperPoint里面，点对选取和score map的选择。看了解读的文章还是不太明确，像GCN的思路就是直接用其它的关键点检测方法，得到原图的特征点，然后进行投影得到变换图的数据。这个思路应该是好理解的。但是UnSuperPoint或者SuperPoint似乎没有用第三方的特征点检测方法，那如何确定关键点的位置和描述子呢。
SuperPoint 是通过在仿真数据集上训练一个可以预测几何角点的 MagicPoint 再用它在真实数据集做 Homography Adaptation 获得真值，本质上是一个弱标记的方式。具体在他的论文中讲得还是很清楚的。
UnSuperPoint 是完全的无监督方式，具体参见 Figure 3，它构造的 Loss 本质上是学习在各种不同 Homography 变化下依然能够匹配的点，这种方式在其他文章中也出现过。对于后者由于没有实现过，是否真的可行以及是否实际上需要预训练参数，还是存疑的。