VGG前言AlexNet对于LeNet的提升得益于网络的更深更大，网络更深更大的方法： 更多的全连接层 更多的卷积层 将卷积层分成块（VGG） 和AlexNet的区别：使用尺寸更小的3×3卷积核串联来替代大卷积核11×11,7×7这样的大尺寸卷积核，引入块设计思想，在相同的感受野的情况下，多个串联非线性能力更强，描述能力更强 VGG思路VGG网络的思路是将卷积层分成多个块，每个块包含多个卷积层

AlexNet改进（基于LeNet） 采用ReLU激活函数（解决了梯度消失问题） 丢弃法 MaxPooling 数据增强 网络结构和LeNet相比，网络结构更复杂，层和核更大 代码12345678910111213141516171819202122232425262728293031323334import torchfrom torch import nnfrom d2l import to

池化层前言卷积对位置信息的敏感度较高，而池化层对位置信息的敏感度较低。池化层的作用是降低卷积层的敏感度，减少计算量，防止过拟合。 池化方式 最大池化: 取池化窗口内的最大值作为输出。 平均池化: 取池化窗口内的平均值作为输出。 代码实现123456789101112131415import torchfrom torch import nnfrom d2l import torch as d2l

LOAM: Lidar Odometry and Mapping in Real-time 笔记论文概述实时性的位姿估计定位和建图算法，既有高频率低精度里程计进行运动估计，又有低频率高精度点云匹配来地图建图。 算法一 LIDAR ODOMETRY 特征点匹配：通过计算曲率c来判断点是否为角点或面点。在c的计算中引入S来消除距离影响，将每一次扫描分成多个相同的子区域，保证特征点的均匀分布。还要注意

拉普拉斯变换，带通滤波器变换手稿整理拉普拉斯变换，滤波器

傅里叶变换手稿整理傅里叶变换详解

手稿整理从一开始的姿态表示（欧拉角、四元数、旋转矩阵），到滤波用的拉普拉斯变换，再到控制PID。

资料整理

卷积分类原则 平移不变性：分类器对输入的平移不变性，即输入的图像平移后，分类器的输出不变。 局部性：分类器关注输入的局部性 卷积层是一个特殊的全连接层 设计原理： 对全连接层进行变形： 代码实现二维互相关和二维卷积的实现: 1234567891011121314151617181920212223import torchfrom torch import nnfrom d2l import t

pytorch基础数据导入数据增强torchvision.transforms123456789101112131415161718192021import torchfrom torchvision import transformsfrom PIL import Image# 定义变换管道transform = transforms.Compose([ transforms.Random