SIFT 3D关键点检测以及SAC-IA粗配准

一、SIFT 3D关键点检测

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/common/common_headers.h>
#include <pcl/keypoints/sift_keypoint.h>//导入SIFT
using namespace std;// 基于Z梯度估计3D点云的SIFT关键点
namespace pcl
{template<>struct SIFTKeypointFieldSelector<PointXYZ>{inline floatoperator () (const PointXYZ& p) const{return p.z;}};
}int main(int, char** argv)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1){PCL_ERROR("加载点云失败\n");}if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1){PCL_ERROR("加载点云失败\n");}pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints2(new pcl::PointCloud<pcl::PointXYZ>);//SIFT//pcl::StopWatch watch; // 计时器//将点类型pcl::PointWithScale的数据转换为点类型pcl::PointXYZ的数据pcl::PointCloud<pcl::PointWithScale> result1;pcl::PointCloud<pcl::PointWithScale> result2;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());//-----------------------------SIFT算法参数----------------------------------const float min_scale = 5.f;           // 设置尺度空间中最小尺度的标准偏差          const int n_octaves = 3;                  // 设置尺度空间层数，越小则特征点越多           const int n_scales_per_octave = 15;       // 设置尺度空间中计算的尺度个数const float min_contrast = 0.01f;       // 设置限制关键点检测的阈值              //----------------------------SIFT关键点检测---------------------------------pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift1;//创建sift关键点检测对象）））sift1.setInputCloud(cloud);            // 设置输入点云sift1.setSearchMethod(tree);               // 创建一个空的kd树对象tree，并把它传递给sift检测对象sift1.setScales(min_scale, n_octaves, n_scales_per_octave);//指定搜索关键点的尺度范围sift1.setMinimumContrast(min_contrast);    // 设置限制关键点检测的阈值sift1.compute(result1);                     // 执行sift关键点检测，保存结果在resultcout << "输入点云提取的关键点：" << result1.size() << " keypoints" << endl;//cout << "SIFT关键点提取用时： " << watch.getTimeSeconds() << "秒" << endl;copyPointCloud(result1, *keypoints1);pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift2;//创建sift关键点检测对象）））sift2.setInputCloud(cloud_target);            // 设置输入点云sift2.setSearchMethod(tree);               // 创建一个空的kd树对象tree，并把它传递给sift检测对象sift2.setScales(min_scale, n_octaves, n_scales_per_octave);//指定搜索关键点的尺度范围sift2.setMinimumContrast(min_contrast);    // 设置限制关键点检测的阈值sift2.compute(result2);                     // 执行sift关键点检测，保存结果在resultcout << "输出点云提取的关键点：" << result2.size() << " keypoints" << endl;//cout << "SIFT关键点提取用时： " << watch.getTimeSeconds() << "秒" << endl;copyPointCloud(result2, *keypoints2);boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer1(new pcl::visualization::PCLVisualizer("v2"));viewer1->setBackgroundColor(0, 0, 0);viewer1->setWindowName("sift");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color1(cloud, 0.0, 255, 0.0);viewer1->addPointCloud<pcl::PointXYZ>(keypoints1, single_color1, "key cloud");//特征点viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key cloud");while (!viewer1->wasStopped()){viewer1->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer2(new pcl::visualization::PCLVisualizer("v2"));viewer2->setBackgroundColor(0, 0, 0);viewer2->setWindowName("sift");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color2(cloud, 0.0, 255, 0.0);viewer2->addPointCloud<pcl::PointXYZ>(keypoints2, single_color2, "key cloud");//特征点viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key cloud");while (!viewer2->wasStopped()){viewer2->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer3(new pcl::visualization::PCLVisualizer("v3"));viewer3->setBackgroundColor(0, 0, 0);viewer3->setWindowName("sift");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color3(cloud, 0.0, 255, 0.0);viewer3->addPointCloud<pcl::PointXYZ>(cloud, single_color3, "sample cloud");viewer3->addPointCloud<pcl::PointXYZ>(keypoints1, "key cloud");//特征点viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key cloud");viewer3->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key cloud");while (!viewer3->wasStopped()){viewer3->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer4(new pcl::visualization::PCLVisualizer("v4"));viewer4->setBackgroundColor(0, 0, 0);viewer4->setWindowName("sift");pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ> single_color4(cloud, 0.0, 255, 0.0);viewer4->addPointCloud<pcl::PointXYZ>(cloud_target, single_color4, "sample cloud");viewer4->addPointCloud<pcl::PointXYZ>(keypoints2, "key cloud");//特征点viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "key cloud");viewer4->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_COLOR, 1.0, 0.0, 0.0, "key cloud");while (!viewer4->wasStopped()){viewer4->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}return 0;
}

关键代码解析： 

// 基于Z梯度估计3D点云的SIFT关键点
namespace pcl
{template<>struct SIFTKeypointFieldSelector<PointXYZ>{inline floatoperator () (const PointXYZ& p) const{return p.z;}};
}

  1. namespace pcl { }：这个代码块定义了一个命名空间 pcl，其中包含了一些PCL（点云库）的相关功能。

  2. template<> struct SIFTKeypointFieldSelector<PointXYZ>：这是一个模板特化，它告诉编译器对于 PointXYZ 类型的点云，如何选择用于SIFT关键点检测的字段。

  3. inline float operator () (const PointXYZ& p) const { return p.z; }：这是一个重载的函数调用运算符，它接受一个 PointXYZ 类型的参数并返回一个浮点数。在这种情况下，它选择了点云中每个点的 Z 坐标作为特征值，即特征点的梯度值。

通过这段代码，我们告诉SIFT算法应该根据点云中每个点的Z坐标来选择特征点，而不是使用默认的X或Y坐标。这种方式可能会在垂直方向上更好地捕获点云的结构，因为Z坐标通常代表了点云中的高度信息。

对于这段代码的参数设置，主要关注的是选择适当的特征点字段。在这个例子中，我们选择了Z坐标作为特征值，但根据具体的应用场景，你可以选择其他字段，比如强度、法向量等。选择合适的字段会影响到SIFT算法检测到的特征点的质量和数量。

 

pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints2(new pcl::PointCloud<pcl::PointXYZ>);//SIFT//pcl::StopWatch watch; // 计时器//将点类型pcl::PointWithScale的数据转换为点类型pcl::PointXYZ的数据pcl::PointCloud<pcl::PointWithScale> result1;pcl::PointCloud<pcl::PointWithScale> result2;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());//-----------------------------SIFT算法参数----------------------------------const float min_scale = 5.f;           // 设置尺度空间中最小尺度的标准偏差          const int n_octaves = 3;                  // 设置尺度空间层数，越小则特征点越多           const int n_scales_per_octave = 15;       // 设置尺度空间中计算的尺度个数const float min_contrast = 0.01f;       // 设置限制关键点检测的阈值              //----------------------------SIFT关键点检测---------------------------------pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift1;//创建sift关键点检测对象）））sift1.setInputCloud(cloud);            // 设置输入点云sift1.setSearchMethod(tree);               // 创建一个空的kd树对象tree，并把它传递给sift检测对象sift1.setScales(min_scale, n_octaves, n_scales_per_octave);//指定搜索关键点的尺度范围sift1.setMinimumContrast(min_contrast);    // 设置限制关键点检测的阈值sift1.compute(result1);                     // 执行sift关键点检测，保存结果在resultcout << "输入点云提取的关键点：" << result1.size() << " keypoints" << endl;//cout << "SIFT关键点提取用时： " << watch.getTimeSeconds() << "秒" << endl;copyPointCloud(result1, *keypoints1);

  1. pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints1(new pcl::PointCloud<pcl::PointXYZ>);：创建一个指向包含检测到的关键点的点云的指针。

  2. pcl::PointCloud<pcl::PointXYZ>::Ptr keypoints2(new pcl::PointCloud<pcl::PointXYZ>);：创建另一个指向点云的指针，用于存储另一组检测到的关键点。

  3. pcl::PointCloud<pcl::PointWithScale> result1; 和 pcl::PointCloud<pcl::PointWithScale> result2;：创建两个点云对象，用于存储SIFT算法检测到的特征点，其中pcl::PointWithScale 包含了点的三维坐标以及尺度信息。

  4. pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());：创建一个KD树搜索对象的指针，用于在点云中搜索最近邻点。

  5. const float min_scale = 5.f;、const int n_octaves = 3;、const int n_scales_per_octave = 15;、const float min_contrast = 0.01f;：定义了SIFT算法的参数。这些参数影响着特征点的检测结果。

    • min_scale：设置尺度空间中最小尺度的标准偏差，即特征点的最小尺度。
    • n_octaves：设置尺度空间层数，即金字塔的层数，层数越大可以检测到尺度更大范围的特征。
    • n_scales_per_octave：设置尺度空间中计算的尺度个数，影响特征点的密度。
    • min_contrast：设置限制关键点检测的阈值，用于确定哪些特征点被认为是有效的。

  6. pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift1;：创建一个SIFT关键点检测对象，指定输入点的类型为pcl::PointXYZ，输出点的类型为pcl::PointWithScale。

  7. sift1.setInputCloud(cloud);：设置输入点云，即要在其上执行SIFT关键点检测的点云。

  8. sift1.setSearchMethod(tree);：设置SIFT算法中使用的搜索方法为KD树搜索。

  9. sift1.setScales(min_scale, n_octaves, n_scales_per_octave);：设置SIFT算法中搜索关键点的尺度范围。

  10. sift1.setMinimumContrast(min_contrast);：设置SIFT算法中限制关键点检测的阈值。

  11. sift1.compute(result1);：执行SIFT关键点检测，并将检测到的关键点保存在 result1 中。

  12. cout << "输入点云提取的关键点：" << result1.size() << " keypoints" << endl;：输出检测到的关键点数量。

  13. copyPointCloud(result1, *keypoints1);：将检测到的关键点从 result1 复制到 keypoints1 中，转换为普通的 pcl::PointXYZ 类型的点。

这些参数的设置会影响SIFT算法检测到的特征点的数量和质量。例如，调整最小尺度、尺度空间层数和尺度个数会影响特征点的分布和密度，而调整最小对比度阈值会影响检测到的特征点的质量。

结果：

输入点云的关键点 

 输出点云的关键点 

输入点云的关键点与输入点云一起展示  

输出点云的关键点与输出点云一起展示   

 

二、SIFT 3D关键点检测及SAC-IA粗配准  

C++

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/io.h>
#include <pcl/keypoints/iss_3d.h>
#include <pcl/features/normal_3d.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <boost/thread/thread.hpp>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/features/fpfh_omp.h>  
#include <pcl/common/common_headers.h>
#include <pcl/registration/ia_ransac.h>//导入SIFT
#include <pcl/keypoints/sift_keypoint.h>
using namespace std;// 基于Z梯度估计3D点云的SIFT关键点
namespace pcl
{template<>struct SIFTKeypointFieldSelector<PointXYZ>{inline floatoperator () (const PointXYZ& p) const{return p.z;}};
}void extract_keypoint(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{//SIFTpcl::StopWatch watch; // 计时器//将点类型pcl::PointWithScale的数据转换为点类型pcl::PointXYZ的数据pcl::PointCloud<pcl::PointWithScale> result;//-----------------------------SIFT算法参数----------------------------------const float min_scale = 5.f;           // 设置尺度空间中最小尺度的标准偏差          const int n_octaves = 3;                  // 设置尺度空间层数，越小则特征点越多           const int n_scales_per_octave = 15;       // 设置尺度空间中计算的尺度个数const float min_contrast = 0.01f;       // 设置限制关键点检测的阈值              //----------------------------SIFT关键点检测---------------------------------pcl::SIFTKeypoint<pcl::PointXYZ, pcl::PointWithScale> sift;//创建sift关键点检测对象）））sift.setInputCloud(cloud);            // 设置输入点云pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());sift.setSearchMethod(tree);               // 创建一个空的kd树对象tree，并把它传递给sift检测对象sift.setScales(min_scale, n_octaves, n_scales_per_octave);//指定搜索关键点的尺度范围sift.setMinimumContrast(min_contrast);    // 设置限制关键点检测的阈值sift.compute(result);                     // 执行sift关键点检测，保存结果在resultcout << "Extracted " << result.size() << " keypoints" << endl;//cout << "SIFT关键点提取用时： " << watch.getTimeSeconds() << "秒" << endl;copyPointCloud(result, *keypoint);}
pcl::PointCloud<pcl::FPFHSignature33>::Ptr compute_fpfh_feature(pcl::PointCloud<pcl::PointXYZ>::Ptr& keypoint)
{pcl::search::KdTree<pcl::PointXYZ>::Ptr tree;pcl::PointCloud<pcl::Normal>::Ptr normals(new pcl::PointCloud<pcl::Normal>);pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> n;n.setInputCloud(keypoint);n.setSearchMethod(tree);n.setKSearch(10);n.compute(*normals);pcl::PointCloud<pcl::FPFHSignature33>::Ptr fpfh(new pcl::PointCloud<pcl::FPFHSignature33>);pcl::FPFHEstimationOMP<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> f;f.setNumberOfThreads(8);f.setInputCloud(keypoint);f.setInputNormals(normals);f.setSearchMethod(tree);f.setRadiusSearch(50);f.compute(*fpfh);return fpfh;
}
pcl::PointCloud<pcl::PointXYZ>::Ptr sac_align(pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud, pcl::PointCloud<pcl::PointXYZ>::Ptr s_k, pcl::PointCloud<pcl::PointXYZ>::Ptr t_k, pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh, pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh)
{pcl::SampleConsensusInitialAlignment<pcl::PointXYZ, pcl::PointXYZ, pcl::FPFHSignature33> scia;scia.setInputSource(s_k);scia.setInputTarget(t_k);scia.setSourceFeatures(sk_fpfh);scia.setTargetFeatures(tk_fpfh);scia.setMinSampleDistance(7);///参数：设置采样点之间的最小距离，满足的被当做采样点scia.setNumberOfSamples(100);设置每次迭代设置采样点的个数(这个参数多可以增加配准精度)scia.setCorrespondenceRandomness(6);//设置选择随机特征对应点时要使用的邻域点个数。值越大，特征匹配的随机性就越大pcl::PointCloud<pcl::PointXYZ>::Ptr sac_result(new pcl::PointCloud<pcl::PointXYZ>);scia.align(*sac_result);pcl::transformPointCloud(*cloud, *sac_result, scia.getFinalTransformation());return sac_result;
}
int main(int, char** argv)
{pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);//要配准变化的点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_target(new pcl::PointCloud<pcl::PointXYZ>);//目标点云(不变的）if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view1.pcd", *cloud) == -1){PCL_ERROR("加载点云失败\n");}if (pcl::io::loadPCDFile<pcl::PointXYZ>("pcd/pig_view2.pcd", *cloud_target) == -1){PCL_ERROR("加载点云失败\n");}boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer1(new pcl::visualization::PCLVisualizer("v1"));viewer1->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色// 对目标点云着色可视化 (red).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color1(cloud_target, 255, 0, 0);viewer1->addPointCloud<pcl::PointXYZ>(cloud_target, target_color1, "target cloud");viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");// 对源点云着色可视化 (green).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color1(cloud, 0, 255, 0);viewer1->addPointCloud<pcl::PointXYZ>(cloud, input_color1, "input cloud");viewer1->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");while (!viewer1->wasStopped()){viewer1->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}///粗配准pcl::PointCloud<pcl::PointXYZ>::Ptr s_k(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr t_k(new pcl::PointCloud<pcl::PointXYZ>);extract_keypoint(cloud, s_k);extract_keypoint(cloud_target, t_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr sk_fpfh = compute_fpfh_feature(s_k);pcl::PointCloud<pcl::FPFHSignature33>::Ptr tk_fpfh = compute_fpfh_feature(t_k);pcl::PointCloud<pcl::PointXYZ>::Ptr result(new pcl::PointCloud<pcl::PointXYZ>);result = sac_align(cloud, s_k, t_k, sk_fpfh, tk_fpfh);boost::shared_ptr<pcl::visualization::PCLVisualizer>viewer2(new pcl::visualization::PCLVisualizer("v1"));viewer2->setBackgroundColor(0, 0, 0);  //设置背景颜色为黑色// 对目标点云着色可视化 (red).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>target_color2(cloud_target, 255, 0, 0);viewer2->addPointCloud<pcl::PointXYZ>(cloud_target, target_color2, "target cloud");viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "target cloud");// 对源点云着色可视化 (green).pcl::visualization::PointCloudColorHandlerCustom<pcl::PointXYZ>input_color2(result, 0, 255, 0);viewer2->addPointCloud<pcl::PointXYZ>(result, input_color2, "input cloud");viewer2->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 2, "input cloud");while (!viewer2->wasStopped()){viewer2->spinOnce(100);boost::this_thread::sleep(boost::posix_time::microseconds(100));}return 0;
}

关键代码解析：

我之前在iss关键点检测以及SAC-IA粗配准-CSDN博客

和本章第一部分已经解释了大部分函数，这里就不赘述了

结果：

输入点云与输出点云

配准后的输入点云与输出点云，实际效果相对较好，运行不算慢，只要一两分钟就能出结果  

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/473881.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

数学实验第三版（主编：李继成 赵小艳）课后练习答案（十二）（3）

数学实验第三版（主编：李继成 赵小艳）课后练习答案（十二）（3）

实验十二&#xff1a;微分方程模型 练习三 1.分别用数值解命令ode23t和ode45 计算示例3中微分方程的数值解,同用命令ode23 算得的数值解以及解析解比较,哪种方法精度较高?你用什么方法比较它们之间的精度? clc;clear; f(x,y)2*yx2; figure(1) [x,y]ode23t(f,[1,2],1); plo…
阅读更多...
对称密钥密码体制、公钥密码体制

对称密钥密码体制、公钥密码体制

1 对称密钥密码体制 加密密钥与解密密钥都使用相同密钥的密码体制。 数据加密标准 DES DES 属于对称密钥密码体制&#xff0c;是一种分组密码。 在加密前&#xff0c;先对整个明文进行分组。每一个组长为 64 位。 然后对每一个 64 位 二进制数据进行加密处理&#xff0c;…
阅读更多...
C++重新认知：智能指针

C++重新认知：智能指针

0/# 一、为什么要有智能指针 内存泄露是我们开发大型项目时最为头疼的问题&#xff0c;当我们将对象建立在堆上时&#xff0c;因为需要我们自己手动释放&#xff0c;因此避免不了忘记删除&#xff0c;或者删除时没有考虑清楚情况的问题&#xff0c;从而造成悬挂指针或者是野指针…
阅读更多...
Sora技术报告——Video generation models as world simulators

Sora技术报告——Video generation models as world simulators

文章目录 1. 视频生成模型&#xff0c;可以视为一个世界模拟器2. 技术内容2.1 将可视数据转换成patches2.2 视频压缩网络2.3 Spacetime Latent Patches2.4 Scaling transformers 用于视频生成2.5 可变的持续时间&#xff0c;分辨率&#xff0c;宽高比2.6 抽样的灵活性2.7 改进框…
阅读更多...
【Linux】Framebuffer 应用

【Linux】Framebuffer 应用

# 前置知识 LCD 操作原理 在 Linux 系统中通过 Framebuffer 驱动程序来控制 LCD。 Frame 是帧的意思&#xff0c; buffer 是缓冲的意思&#xff0c;这意味着 Framebuffer 就是一块内存&#xff0c;里面保存着一帧图像。 Framebuffer 中保存着一帧图像的每一个像素颜色值&…
阅读更多...
4核8G服务器支持多少人同时在线访问？

4核8G服务器支持多少人同时在线访问？

腾讯云4核8G服务器支持多少人在线访问&#xff1f;支持25人同时访问。实际上程序效率不同支持人数在线人数不同&#xff0c;公网带宽也是影响4核8G服务器并发数的一大因素&#xff0c;假设公网带宽太小&#xff0c;流量直接卡在入口&#xff0c;4核8G配置的CPU内存也会造成计算…
阅读更多...
Unity类银河恶魔城学习记录7-7 P73 Setting sword type源代码

Unity类银河恶魔城学习记录7-7 P73 Setting sword type源代码

Alex教程每一P的教程原代码加上我自己的理解初步理解写的注释&#xff0c;可供学习Alex教程的人参考 此代码仅为较上一P有所改变的代码 【Unity教程】从0编程制作类银河恶魔城游戏_哔哩哔哩_bilibili Sword_Skill_Controller.cs using System.Collections; using System.Col…
阅读更多...
基于SringBoot+Vue的大学生社团管理系统

基于SringBoot+Vue的大学生社团管理系统

末尾获取源码作者介绍&#xff1a;大家好&#xff0c;我是墨韵&#xff0c;本人4年开发经验&#xff0c;专注定制项目开发 更多项目&#xff1a;CSDN主页YAML墨韵 学如逆水行舟&#xff0c;不进则退。学习如赶路&#xff0c;不能慢一步。 目录 一、项目简介 1.1 研究背景 1.…
阅读更多...
C语言之日历问题

C语言之日历问题

一、代码展示 #include<stdio.h> int leapyear(int year)//判断是不是闰年函数 {if (year % 4 0 && year % 100 ! 0 || year % 400 0)return 1;elsereturn 0; } int days(int year, int month, int* day)//判断一个月有几天 {if (month ! 2)return day[month…
阅读更多...
如何在JavaScript中使用大于和小于运算符

如何在JavaScript中使用大于和小于运算符

在你的 JavaScript 程序中&#xff0c;你经常需要比较两个值&#xff0c;以确定一个是否大于另一个或小于另一个。这就是大于和小于运算符派上用场的地方。 在本文中&#xff0c;我们将通过代码示例更详细地介绍如何使用这些运算符。 &#xff08;本文内容参考&#xff1a;ja…
阅读更多...
Acwing---875. 快速幂

Acwing---875. 快速幂

快速幂 1.题目2.基本思想3.代码实现 1.题目 给定 n n n 组 a i ai ai, b i bi bi, p i pi pi&#xff0c;对于每组数据&#xff0c;求出 abii m o d mod mod pi 的值。 输入格式 第一行包含整数 n n n。 接下来 n n n 行&#xff0c;每行包含三个整数 a i ai ai, b i …
阅读更多...
Leetcode-102. 二叉树的层序遍历

Leetcode-102. 二叉树的层序遍历

今天的情人节和树过了...... 题目&#xff1a; 给你二叉树的根节点 root &#xff0c;返回其节点值的 层序遍历 。 &#xff08;即逐层地&#xff0c;从左到右访问所有节点&#xff09;。 示例 1&#xff1a; 输入&#xff1a;root [3,9,20,null,null,15,7] 输出&#xff1a;[…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023