欧拉积分 中值积分 龙格库塔积分 主要的应用场景一般是类似imu的积分传播中，为了更清楚的表达各种积分方式的主要思路，下面都会以简化的速度的传播进行举例。测量的到n时刻的加速度为\(a_1\)，n+1时刻的加速度为\(a_2\)，已知n时刻的速度\(v_1\)，目标是通过积分传播得到n+1时刻的速度\(v_2\)。（以下不考虑姿态重力等因素对加速度的影响） 欧拉积分 欧拉积分一般假设导数恒定

GPU的基础介绍 首先上一张显卡主板构造图。 dfs 其中GPU芯片是重点，其结构图如下，它一般有很多核心，这些核的学术名字叫流多处理器（stream multiprocessor，SM），每个SM根据GPU型号的不同由若干个流处理器（stream processor，SP）组成，SP的功能只有计算。 cuda cuda编程的基本概念 主机端host与设备端device 一个工程，我

说到并发编程就离不开锁的概念。锁其实是一种操作，这种操作可以避免竞争问题的出现。在c++中可以使用互斥元来实现锁的操作。 互斥元 互斥元也叫互斥量，在c++11中被命名为Mutex，所有其相关的类和函数都在头文件中。 在头文件mutex中一共有四种互斥元类，分别是： std::mutex，最基本的互斥元类。 std::recursive_mutex，递归Mutex类（同一线程可以对互斥量多次

在图像分割领域，最近几年基于深度学习的方法占据了绝对领先的地位。但是相对于黑匣子的深度学习，传统的方法更有几分味道。这次要介绍的是图割算法，这是一种基于能量优化的方法，在前景背景分割上很有效果。 1. 最大流与最小割 在了解图割之前，首先需要了解最大流与最小割的概念。 1.1 最小割min-cut 举例说明，如下一个有向加权图所示，从顶点S(source)到顶点T(sink)有三条路径，每条路

镜头的参数与成像 最近几天手头刚好有一个闲置的变焦镜头，在把玩的同时对相机的成像特点又有了一些理解。为了不让这些理解被丢进记忆的垃圾堆，打算做一些记录和梳理。 镜头 镜头的参数其实是很多的，主要有 焦距：可以分为物理焦距与摄影焦距。 光圈：大小决定了图像的亮度，在拍摄高斯运动物体、曝光时间很短的应用中，应该选用大光圈镜头，以提高亮度。 景深：指的是在理想对焦状态下物体允许的前后方向的移动量。

拍卖算法 拍卖算法是一种解决目标分配问题的算法。额这个算法我看了网上好多博客的讲解，都不是很理解，最后直接debug了一个代码，总算弄清楚了。果然源码面前，了无秘密。 问题描述 情景描述：在一个拍卖场中，存在N个投标人，M件商品，需要将M件商品分配给投标人们。 单分配问题：每个投标人对所有商品都有意愿争取，但是每人最多只能中标一件商品。（更复杂的暂且不谈） 完全分配问题：是单分配问题，并且\

dijkstra算法和astar算法 图搜索算法 图搜索算法指在一个类似图的数据结构上进行路径搜索的算法的总称。二维网格地图其实就是一种类似图的数据结构，每个网格代表一个图节点，它连接着自身周围的四个相邻网格（图节点）。 可以将图搜索的图结构转换成搜索树结构。那么最具代表性的两类图搜索算法就是深度优先与广度优先算法。 需要提前强调的一点是，为了不会形成环路，已经访问过的节点需要做标记，并且不

鸽群优化 鸽子的导航工具 太阳：鸽子可记忆鸽巢位置不同时刻的太阳高度角和方位角，并通过太阳高度信息进行导航； 磁场：鸽子上喙结构含有磁感应结构，磁石粒子的信号是通过鼻子经三叉神经反馈给大脑，从而提高导航信息。 地标：鸽子依靠重力场进行空间定位，通过比较鸽房的陀螺仪设置与其所在地的陀螺仪数值，设定一个初始的返航方向。 导航工具切换：鸽子会在旅程不同阶段使用不同导航工具：前期依赖太阳和磁场，后期依

1 系统可观性问题分析 1.1 数学基础 对于一个方程组：\(Ax=0\)，其中\(A\)维度为\(m \times n\)（其中列数为未知数的数量），\(x\)维度为\(n \times 1\)，则有 矩阵\(A\)是列满秩的（\(m \ge n\)，此处列数也是未知向量x的维数），则每个列向量之间线性无关，则上面方程的只存在0解（\(x\)对每列进行线性组合）； 矩阵\(A\)不是列满秩的，

对pytorch中组成网络的各种结构进行介绍记录，防止忘掉。 第一类-提取特征并调整网络结构的层 第二类-归一化调整数值范围层 第三类-非线性激活函数层 提取并调整特征维度 2维卷积层torch.nn.Conv2d 卷积操作主要用来提取图像特征，卷积过程可以参考我之前的一篇文章中的一个动图。 12345678910CLASS torch.nn.Conv2d( in_channels: in