论文笔记：Deep ChArUco: Dark ChArUco Marker Pose Estimation
ChArUco 在相机标定中比较常用，同时在一些 AR 应用中也有涉及。这篇文章是针对 ChArUcho 这个矩阵二维码使用 Deep Learning 方法进行姿态估计，取得了比传统方法更佳鲁棒的结果（似乎可以为标志检测之类）。
文章主要贡献在于：
1、两个网络 ChArUcoNet 和 RefineNet：前者用于定位 ChArUco 的角点坐标，后者用于对角点坐标进行亚像素修正
2、使用仿真数据进行自动标注与训练的方式
1 传统方法
ChArUcho 示意图如下：
ChArUco 就是棋盘格和 ArUco 码的结合，整体是一个 5x5 的期盼形状，总共有 16 个 ArUco 码代替了棋盘格中的白色方格，其中的...
Ubuntu/Mac 深度学习开发基本环境配置
0 环境依赖
Ubuntu 依赖库：
1）zsh：
安装：
Shell
sudo apt-get install zsh
1
sudo apt-get install zsh
2）git：
安装：
Shell
sudo apt install git-all
1
sudo apt install git-all
Mac 依赖库：
1）Homebrew：
安装：
Shell
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
1
/bin/bash -c "$(curl -fsSL...
论文笔记：Deep Closest Point: Learning Representations for Point Cloud Registration
DCP 是一篇基于 Deep Learning 来解决 ICP 问题的，其中 Deep Learning 部分主要用于做匹配，后端仍然沿用 SVD 的方法。比很多 MLP 直接出 Pose 的合理，也取得了更好的效果。在与传统方法例如 Go-ICP 以及深度学习方法 PointNetLK 的对比中，都取得了一定的优势。
1 经典 ICP 问题
这一部分在之前的论文笔记中已经有了比较详细的阐述，参见：使用 SVD 方法求解...
使用 SVD 方法求解 ICP 问题
本文是结合《Least-Squares Rigid Motion Using SVD》和《Least-Squares Fitting of Two 3-D Point Sets》两篇文章写的一个总结，里面有一些是自己的理解不一定正确。
1 问题定义
假设我们有两个点云集合 和 ，则我们定义的 ICP 问题是通过最小化点对之间距离获得相应的 Pose：
其中 代表每个点的权重。R 和 t 是我们所要求的旋转矩阵和平移向量。
2 计算平移
我们分两步求解旋转和平移，首先求解 t。固定...
Ubuntu 下监控并自动重启网卡
很多时候网站服务器挂掉也可能是因为网卡挂掉了，如果你网站不能访问时 SSH 也无效了一般都是这个问题。这时可以通过一个定时脚本监控网络并进行自动重启。相关文章：Linux 下如何监控并自动重启 apache
1 创建脚本 auto_restart_network.sh
内容如下：
Shell
#!/bin/bash
ping www.baidu.com -c 1 >/dev/null
if [ $? -ne 0 ];then
# systemctl restart network
sudo /etc/init.d/networking restart
echo `date` network restart >>...
论文笔记：Dynamic Graph CNN for Learning on Point Clouds
DGCNN 是对 PointNet 的改进，PointNet 网络每个点单独提取特征缺乏局部关联。DGCNN 提出了 EdgeConv 就是对它的改进。
1 网络结构
DGCNN 网络结构如下图所示，可以看出其整体架构和 PointNet 是基本一致的，主要区别就是将其中的 MLP 替换成了 EdgeConv。
2 EdgeConv
2.1 EdgeConv 结构
上图是 EdgeConv 的示意图。假设一个F维点云 其中 F 表示每个点的维度，最简单的可能是 x,...
论文笔记：GCNv2: Efficient Correspondence Prediction for Real-Time SLAM
GCNv2 是一个专门针对几何匹配的描述子网络，是对 GCN 的改进版主要工作如下：1）与常见深度学习特征匹配的性能并且显著减少了前向运算的时间；2）加入了二值化层，生成二值特征。
1 GCNv2 网络结构
GCNv2 网络结构如下图所示：
这一结构不必赘述，其实跟 SuperPoint 很像，不过 Descriptors 部分是把 Keypoints 直接拿来取了相应的部分。PixelShuffle （有人也叫作 Sub-pixel Convolution 或者亚像素卷积）在文章（《Real-Time Single Image and Video Super-Resolution Using an Efficient...
EM估计（Expectation Maximization Algorithm）
这篇文章实际上是Ng在CS229上一个课程讲座。因为EM估计也很常用，特别是语义SLAM里面，这里根据一些粗浅的理解做一个总结备忘。
EM算法1是分为E（期望）和M（极大）的两步迭代优化算法，主要用于解决数据缺失情况下的概率估计问题。这个数据缺失其实不太好理解，有一个男女生身高的经典例子比较形象2，可以从ML到EM估计分别理解下。
1、极大似然估计（ML）
我们需要调查我们学校的男生和女生的身高分布。 假设你在校园里随便找了100个男生和100个女生。他们共200个人。将他们按照性别划分为两组，然后先统计抽样得到的100个男生的身高。假设他们的身高是服从正态分布的。但是这个分布的均值 和方差 我们不知道，这两个参数就是我们要估计的。记作 。 这是一个典型的极大似然估计问题，我们知道100个男生，100个女生和他们的身高，我们想要估计男生的身高分布均值方差，女生的身高分布均值方差，都可以用极大似然估计来解决。
我们已知的有两个：样本服从的分布模型、随机抽取的样本；我们未知的有一个：模型的参数。根据已知条件，通过极大似然估计，求出未知参数。总的来说：极大似然估计就是用来估计模型参数的统计学方法。
因为我们知道哪个样本是男生哪个样本是女生，所以这一问题就分解成分别估计男生和女生的即可。那么以男生为例，设样本集 ，其中 ，概率密度函数 ，首先写出似然函数也就是所有男生概率的乘积：
通常转为求解对数似然函数：
极大似然估计就是求似然函数最大值（或者对数似然函数最小值）：
这个极值自然就是通过求导得到：
特别的，对于正态分布样本 ，其似然函数为：
对数为：
求导得方程组：
则似然方程的唯一解为：
这个就是它的最大值点。也就是通过极大似然估计给出的符合当前样本的参数估计。
2、Jensen不等式
对于一个凸函数 （凸函数的定义为：对于X为实变量，，对于X为向量，），其中X是随机变量则有如下不等式成立：
其中等号成立的条件当且仅当，也就是随机变量为一个常数c：。
Jensen不等式直观理解可以参见下图：
图中，实线f是凸函数，X是随机变量，有0.5的概率是a，有0.5的概率是b。（就像掷硬币一样）。X的期望值就是a和b的中值了，图中可以看到 成立。
对于f是凹函数的情况，则正相反：。
3、最大期望估计（EM）
对比极大似然估计，EM估计理解起来非常简单，例如对于上述男女生的例子，我们现在有200个男女生的样本，但是我们不知道哪个样本属于男生哪个样本属于女生（信息缺失）。
3.1 EM估计公式推导
样本集 ，包含 m 个独立的样本；每个样本 对应的类别 是未知的（即上文中每个样本属于哪个分布是未知的）；我们需要估计概率模型 的参数...
论文笔记：NetVLAD: CNN architecture for weakly supervised place recognition
NetVLAD1是一个较早的使用 CNN 来进行图像检索或者视频检索的工作，后续在此工作的基础上陆续出了很多例如 NetRVLAD、NetFV、NetDBoW 等等的论文，思想都是大同小异。
一、图像检索
VLAD 和 BoW、Fisher Vector 等都是图像检索领域的经典方法，这里仅简介下图像检索和 VLAD 的基本思想。
图像检索（实例搜索）是这样的一个经典问题：
1、我们有一个图像数据库 通过函数可以得到每一个图像的特征 ；
2、我们有一个待查询图像 通过函数得到它的特征 ；
3、则我们获得的欧氏距离 应该满足越相近的图像 越小。
二、VLAD （Vector of Locally Aggregated Descriptors）
而 VLAD...
Tensorflow C API 从训练到部署：使用 C API 进行预测和部署
前述博文 Tensorflow C++ 从训练到部署(2)：简单图的保存、读取与 CMake 编译 和 Tensorflow C++ 从训练到部署(3)：使用 Keras 训练和部署 CNN 使用 Tensorflow/Keras 的 Python API 进行训练，并使用 C++ API 进行了预测。由于 C++ API 需要编译...