UWB（Ultra Wide Band，超宽带）信号与其他无线信号相比具有大带宽，功耗低，精度高，穿透能力强等特性，因此其在室内定位领域有着十分广泛的应用。与其他室内定位算法相比，基于UWB的室内定位算法的定位精度可以达到厘米级别，UWB室内定位算法的误差主要来源于NLOS（Non Line Of Sight，非视距）信号。本文采用CNN（Convolutional Neural Network，卷积神经网络）、FCN（Full Convolutional Network，全卷积神经网络）和ResNet（Resid…
本文介绍了ImVoxelNet的非官方复现项目，该项目基于ImVoxelNet，并针对更新版本的PyTorch和MMCV进行了适配。ImVoxelNet是一种端到端的3D物体检测方法，支持从多视角RGB图像中进行3D物体检测，适用于室内和室外场景。其创新点包括：端到端的多视角优化、通用全卷积架构以及跨场景通用性。该实现使用了OpenMMLab的mmdetection3d框架，并提供了详细的环境配置步骤，包括依赖安装和预训练模型下载。实验结果显示，ImVoxelNet在多个数据集（如KITTI、SUN RGB-D、S…
本项目开源代码基于多个深度学习模型（如PP-Structure、PaddleOCR、YOLOv8等），实现对问卷图片的表格定位、结构识别、字符识别及分数统计，并将结果输出至Excel文件。通过PyQt5构建UI界面，使用多线程优化用户体验，避免主线程阻塞。性能测试表明，GPU处理单张图片约3.5秒，CPU约4.6秒。项目注重模块化设计，便于扩展与维护，适合类似业务场景的快速适配。
本项目是一个基于深度学习的语音情感识别系统，使用 PyTorch 实现。该系统能够从音频中识别 6 种不同的情感状态：愤怒、恐惧、开心、中性、悲伤和惊讶。项目包含完整的数据处理、模型训练、评估流程，并提供友好的图形用户界面（GUI）进行实时预测。数据集来源于百度 AI Studio 的情感语音数据集，包含 300 条 .wav 格式的音频文件。模型支持 ResNet18 和 ResNet34 等架构，并可选择原始波形或 MFCC 频谱图作为输入特征。系统提供了丰富的评估指标（如准确率、F1 分数、混淆矩阵等）以及自…
在数据分析中，我们经常需要展示多个维度的数据变化。最近，我用Python的Matplotlib库绘制了一个非常直观的3D折线图，展示了不同维度的数据随时间的变化。这种图不仅能应用在深度学习模型的训练中，也适用于各种场景下的数据可视化！📊
Matplotlib 可以绘制绝大多数的图表，包括折线图、柱状图、散点图等。这些图表的绘制方法都是类似的，只是参数设置有所不同。下面我们分别介绍这三种图表的绘制方法。折线图是一种常见的图表类型，用于反应两个变量之间的关系。
在数据科学和机器学习的工作流程中，数据可视化是不可或缺的一环。无论是探索数据模式，还是展示分析结果，一个好的可视化工具都可以极大地提升我们对数据的理解和决策能力。Matplotlib不仅能帮助我们创建各种类型的静态图表，还支持生成交互式和动画效果的可视化，从而满足不同场景下的需求。
基于OpenCV帧间差分的静止背景运动目标轨迹捕捉; 使用python opencv 对静止背景下的运动目标轨迹进行捕捉，核心是利用帧间差分，并结合其他图像处理方式实现运动目标区域的获取，然后进行可视化。 遇到一个需求，背景变换不大，捕捉一个发光羽毛球的运动轨迹，涉及的核心方法就是 帧间差分 看一下原始视频和最终效果 这个发光的就是发光羽毛球，视频的背景变化不大，还算可控 感谢 https://uutool.cn/gif-edit/ https://www.freeconvert.com/zh/gif-compre…
图像引导的深度补全是一项通过利用稀疏深度测量和RGB图像来估计密集深度图的任务；它通过估算深度来填充未测量的区域。由于许多深度传感器（如LiDAR和飞行时间相机（ToF））只能提供稀疏的深度图，这项任务变得尤为重要。随着深度信息在自动驾驶和各种3D应用中的广泛应用，深度补全已经成为一个重要的研究课题。近年来，随着深度神经网络的成功，基于学习的方法通过利用大量训练数据显著提升了性能。这些方法尝试融合多模态特征，如表面法线或提供重复的图像引导。尤其是，基于亲和性的空间传播方法被广泛研究。
本文完成一个点云变换的插件，同时也是对CC接口的使用做进一步说明，进一步理解CC插件开发流程，利用CC平台和已有代码加快实现定制功能。 本文阅读，建议看过前面后再来学习 [点云处理] cloud compare二次插件功能开发（一）结构搭建 [点云处理] cloud compare二次插件功能开发（二）插件逻辑 这个功能在 cc 已有，位于 edit->apply_transformation 这里 文件逻辑组织还和 [点云处理] cloud compare二次插件功能开发（一）结构搭建，不多赘述 项目代码全…
在上一节搭建框架的基础上进行代码逻辑开发，包括第三方库引入，ui获取用户输入，主程序的逻辑各个函数编写。 我们已经完成了 具体开发前的准备工作，包括 各级CMakelists.txt 的设置，相关内容的修改，并已成功编译 这一节针对我们的qPCA插件，引入进阶内容，包括第三方库引入、设置用户输入参数界面以及具体逻辑的编写 最终整体的qPCA插件目录结构如下 第三方库引入 由于cc 处理的主要是点云、网格数据，较少涉及到大型矩阵的求解，而PCA分析需要去计算矩阵，在这里我们要引入第三方库Eigen 帮助完成(其实cc…
