精华内容
下载资源
问答
  • 立体匹配算法(局部立体匹配 、全局立体匹配 、深度学习立体匹配
    千次阅读
    2021-11-19 14:16:02

    前言

    双目立体匹配的原理类似于人类的视觉原理:分别单独使用左眼和单独使用右眼去观察一个物体,该物体在两个视角中的相对位置会存在一定的偏移,人类视觉系统可以根据该偏移去判断该物体的距离远近。

    同样的,在双目立体匹配中,只要能在两张图像中正确地找到匹配点,结合相机的内部参数和外部参数,就能精准地计算出空间点距离拍摄相机的距离。

    目录

    一、立体匹配简介

    二、国内外研究现状

    更多相关内容
  • 阻抗匹配什么意思?阻抗匹配原理详解

    万次阅读 多人点赞 2019-06-12 20:00:53
    阻抗匹配什么意思_阻抗匹配原理详解 -------本文轉載自<http://m.elecfans.com/article/671550.html>  本文主要详解什么是阻抗匹配,首先介绍了输入及输出阻抗是什么,其次介绍了阻抗匹配的原理,最后...

                           阻抗匹配是什么意思_阻抗匹配原理详解

                                             -------本文轉載自<http://m.elecfans.com/article/671550.html>

      本文主要详解什么是阻抗匹配,首先介绍了输入及输出阻抗是什么,其次介绍了阻抗匹配的原理,最后阐述了阻抗匹配的应用领域,具体的跟随小编一起来了解一下吧。

      一、输入阻抗

      输入阻抗是指一个电路输入端的等效阻抗。在输入端上加上一个电压源U,测量输入端的电流I,则输入阻抗Rin就是U/I。你可以把输入端想象成一个电阻的两端,这个电阻的阻值,就是输入阻抗。

      输入阻抗跟一个普通的电抗元件没什么两样,它反映了对电流阻碍作用的大小。对于电压驱动的电路,输入阻抗越大,则对电压源的负载就越轻,因而就越容易驱动,也不会对信号源有影响;而对于电流驱动型的电路,输入阻抗越小,则对电流源的负载就越轻。因此,我们可以这样认为:如果是用电压源来驱动的,则输入阻抗越大越好;如果是用电流源来驱动的,则阻抗越小越好(注:只适合于低频电路,在高频电路中,还要考虑阻抗匹配问题),另外如果要获取最大输出功率时,也要考虑 阻抗匹配问题

      二、输出阻抗

      无论信号源或放大器还有电源,都有输出阻抗的问题。输出阻抗就是一个信号源的内阻。本来,对于一个理想的电压源(包括电源),内阻应该为0,或理想电流源的阻抗应当为无穷大。但现实中的电压源,则不能做到这一点。我们常用一个理想电压源串联一个电阻r的方式来等效一个实际的电压源。这个跟理想电压源串联的电阻r,就是(信号源/放大器输出/电源)内阻了。当这个电压源给负载供电时,就会有电流 I 从这个负载上流过,并在这个电阻上产生 I×r 的电压降。这将导致电源输出电压的下降,从而限制了最大输出功率(关于为什么会限制最大输出功率,请看后面的“阻抗匹配”一问)。同样的,一个理想的电流源,输出阻抗应该是无穷大,但实际的电路是不可能的。

      三、阻抗匹配

      阻抗匹配是指信号源或者传输线跟负载之间的一种合适的搭配方式。阻抗匹配分为低频和高频两种情况讨论。 我们先从直流电压源驱动一个负载入手。由于实际的电压源,总是有内阻的,我们可以把一个实际电压源,等效成一个理想的电压源跟一个电阻r串联的模型。假设负载电阻为R,电源电动势为U,内阻为r,那么我们可以计算出流过电阻R的电流为:I=U/(R+r),可以看出,负载电阻R越小,则输出电流越大。负载R上的电压为:Uo=IR=U/[1+(r/R)],可以看出,负载电阻R越大,则输出电压Uo越高。再来计算一下电阻R消耗的功率为:

      

      对于一个给定的信号源,其内阻r是固定的,而负载电阻R则是由我们来选择的。注意式中[(R-r)2/R],当R=r时,[(R-r)2/R]可取得最小值0,这时负载电阻R上可获得最大输出功率Pmax=U2/(4×r)。即,当负载电阻跟信号源内阻相等时,负载可获得最大输出功率,这就是我们常说的阻抗匹配之一。此结论同样适用于低频电路及高频电路。当交流电路中含有容性或感性阻抗时,结论有所改变,就是需要信号源与负载阻抗的的实部相等,虚部互为相反数,这叫做共扼匹配。在低频电路中,我们一般不考虑传输线的匹配问题,只考虑信号源跟负载之间的情况,因为低频信号的波长相对于传输线来说很长,传输线可以看成是“短线”,反射可以不考虑(可以这么理解:因为线短,即使反射回来,跟原信号还是一样的)。从以上分析我们可以得出结论:如果我们需要输出电流大,则选择小的负载R;如果我们需要输出电压大,则选择大的负载R;如果我们需要输出功率最大,则选择跟信号源内阻匹配的电阻R。有时阻抗不匹配还有另外一层意思,例如一些仪器输出端是在特定的负载条件下设计的,如果负载条件改变了,则可能达不到原来的性能,这时我们也会叫做阻抗失配。

      在高频电路中,我们还必须考虑反射的问题。当信号的频率很高时,则信号的波长就很短,当波长短得跟传输线长度可以比拟时,反射信号叠加在原信号上将会改变原信号的形状。如果传输线的特征阻抗跟负载阻抗不相等(即不匹配)时,在负载端就会产生反射。为什么阻抗不匹配时会产生反射以及特征阻抗的求解方法,牵涉到二阶偏微分方程的求解,在这里我们不细说了,有兴趣的可参看电磁场与微波方面书籍中的传输线理论。传输线的特征阻抗(也叫做特性阻抗)是由传输线的结构以及材料决定的,而与传输线的长度,以及信号的幅度、频率等均无关。例如,常用的闭路电视同轴电缆特性阻抗为75Ω,而一些射频设备上则常用特征阻抗为50Ω的同轴电缆。另外还有一种常见的传输线是特性阻抗为300Ω的扁平平行线,这在农村使用的电视天线架上比较常见,用来做八木天线的馈线。因为电视机的射频输入端输入阻抗为75Ω,所以300Ω的馈线将与其不能匹配。

      实际中是如何解决这个问题的呢?不知道大家有没有留意到,电视机的附件中,有一个300Ω到75Ω的阻抗转换器(一个塑料封装的,一端有一个圆形的插头的那个东东,大概有两个大拇指那么大)。它里面其实就是一个传输线变压器,将300Ω的阻抗,变换成75Ω的,这样就可以匹配起来了。这里需要强调一点的是,特性阻抗跟我们通常理解的电阻不是一个概念,它与传输线的长度无关,也不能通过使用欧姆表来测量。影響特征電阻的因素有很多,比如倒顯得材料和導線與地板之間的距離。为了不产生反射,负载阻抗跟传输线的特征阻抗应该相等,这就是传输线的阻抗匹配,如果阻抗不匹配会有什么不良后果呢?如果不匹配,则会形成反射,能量传递不过去,降低效率;会在传输线上形成驻波(简单的理解,就是有些地方信号强,有些地方信号弱),导致传输线的有效功率容量降低;功率发射不出去,甚至会损坏发射设备。如果是电路板上的高速信号线与负载阻抗不匹配时,会产生震荡,辐射干扰等。

      当阻抗不匹配时,有哪些办法让它匹配呢?第一,可以考虑使用变压器来做阻抗转换,就像上面所说的电视机中的那个例子那样。第二,可以考虑使用串联/并联电容或电感的办法,这在调试射频电路时常使用。第三,可以考虑使用串联/并联电阻的办法。一些驱动器的阻抗比较低,可以串联一个合适的电阻来跟传输线匹配,例如高速信号线,有时会串联一个几十欧的电阻。而一些接收器的输入阻抗则比较高,可以使用并联电阻的方法,来跟传输线匹配,例如,485总线接收器,常在数据线终端并联120欧的匹配电阻。(始端串联匹配,终端并联匹配)

      为了帮助大家理解阻抗不匹配时的反射问题,我来举两个例子:假设你在练习拳击——打沙包。如果是一个重量合适的、硬度合适的沙包,你打上去会感觉很舒服。但是,如果哪一天我把沙包做了手脚,例如,里面换成了铁沙,你还是用以前的力打上去,你的手可能就会受不了了——这就是负载过重的情况,会产生很大的反弹力。相反,如果我把里面换成了很轻很轻的东西,你一出拳,则可能会扑空,手也可能会受不了——这就是负载过轻的情况

      四、阻抗匹配的原理

      阻抗匹配的基本原理:

      1、纯电阻电路

      在中学物理电学中曾讲述这样一个问题:把一个电阻为R的用电器,接在一个电动势为E、内阻为r的电池组上,在什么条件下电源输出的功率最大呢?当外电阻等于内电阻时,电源对外电路输出的功率最大,这就是纯电阻电路的功率匹配。假如换成交流电路,同样也必须满足R=r这个条件电路才能匹配。

                                                   

       2、电抗电路

      电抗电路要比纯电阻电路复杂,电路中除了电阻外还有电容和电感。元件,并工作于低频或高频交流电路。在交流电路中,电阻、电容和电感对交流电的阻碍作用叫阻抗,用字母Z表示其中,电容和电感对交流电的阻碍作用,分别称为容抗及和感抗而。容抗和感抗的值除了与电容和电感本身大小有关之外,还与所工作的交流电的频率有关。值得注意的是,在电抗电路中,电阻R,感抗而与容抗双的值不能用简单的算术相加,而常用阻抗三角形法来计算(见图 2)。因而电抗电路要做到匹配比纯电阻电路要复杂一些,除了输人和输出电路中的电阻成分要求相等外,还要求电抗成分大小相等符号相反(共轭匹配);或者电阻成分和电抗成分均分别相等(无反射匹配)。这里指的电抗X即感抗XL和容抗XC之差(仅指串联电路来讲,若并联电路则 计算更为复杂)。满足上述条件即称为阻抗匹配,负载即能得到最大的功率。

      阻抗匹配的关键是前级的输出阻抗与后级的输人阻抗相等。而输人阻抗与输出阻抗广泛 存在于各级电子电路、各类测量仪器及各种电子元器件中。那么什么是输人阻抗和输出阻抗呢?输人阻抗是指电路对着信号源讲的阻抗。如图3所示的放大器,它的输人阻抗就是去掉信号源E及内电阻r时,从AB两端看进去的等效阻抗。其值为Z=UI/I1, 即输人电压与输人电流之比。对于信号源来讲,放大器成为其负载。从数值上看,放大器的等效负载值即为输人阻抗值。输人阻抗值的大小,对于不同的电路要求不 一样。

      例如:万用表中电压挡的输人阻抗(称为电压灵敏度)越高,对被测电路的分流就越小,测量误差也就小。而电流挡的输人阻抗越低,对被测电路的分压就越 小,因而测量误差也越小。对于功率放大器,当信号源的输出阻抗与放大电路的输人阻抗相等时即称阻抗匹配,这时放大电路就能在输出端获得最大功率。输出阻抗 是指电路对着负载讲的阻抗。如图4中,将电路输人端的电源短路,输出端去掉负载后,从输出端CD看进去的等效阻抗称为输出阻抗。如果负载阻抗与输出阻抗不相等,称阻抗不匹配,负载就不能获得最大的功率输出。输出电压U2和输出电流I2之 比即称为输出阻抗。输出阻抗的大小视不同的电路有不同的要求。

      例如:电压源要求输出阻抗要低,而电流源的输出阻抗要高。对于放大电路来讲,输出阻抗的值表 示其承担负载的能力。通常输出阻抗小,承担负载的能力就强。如果输出阻抗与负载不能匹配时,可加接变压器或网络电路来达到匹配。例如:晶体管放大器与扬声 器之间通常接有输出变压器,放大器的输出阻抗与变压器的初级阻抗相匹配,变压器的次级阻抗与扬声器的阻抗相匹配。而变压器通过初次级绕组的匝数比来变换阻 抗比。在实际的电子电路中,常会遇到信号源与放大电路或放大电路与负载的阻抗不相等的情况,因而不能把它们直接相连。解决的办法是在它们之间加人一个匹配 电路或匹配网络。最后要说明一点,阻抗匹配仅适用于电子电路。因为电子电路中传输的信号功率本身较弱,需用匹配来提高输出功率。而在电工电路中一般不考虑 匹配,否则会导致输出电流过大,损坏用电器。

      五、阻抗匹配的应用

      对于一般的高频信号领域,比如时钟信号,总线信号,甚至高达几百兆的DDR信号等,一般器件的收发端的感抗和容抗都比较小,相对电阻(即阻抗中的实部) 来说可以忽略不记,这时,阻抗匹配就只需要考虑实数部分就可以了。

      在射频领域,很多器件如天线,功放等其输入输出阻抗是非实数的(非纯电阻),并且其虚部(容抗或者感抗) 很大以至于不可忽略,这时就要采用共轭匹配的方法。

                                                                                                           

    展开全文
  • 在前期倾向匹配得分模型中,估计倾向得分存在不确定性,可使用probit、 logit或非参数估计,主观性较强,更重要的是由于非精确匹配一般存在偏差,因此可通过校正匹配估计来处理。 偏差校正匹配估计可通过非官方...

    在前期倾向匹配得分模型中,估计倾向得分存在不确定性,可使用probit、 logit或非参数估计,主观性较强,更重要的是由于非精确匹配一般存在偏差,因此可通过校正匹配估计量来处理。

    偏差校正匹配估计量可通过非官方命令nnmatch来实现:

    ssc install nnmatch,replace

    该官方命令的基本句式为:

    nnmatch y D x1 x2 x3,metric(maha) tc(att) tc(atc) m(k) robust(#) biasadj(bias|varlist) pop

    y表示因变量,D表示处理虚拟变量,诸多X表示协变量,metric(maha)表示使用马氏距离,tc(att)、tc(atc)表示估计ATT和ATU,默认估计ATE。m(k)表示进行k邻近匹配,默认K=1,robust表示稳健标准误,#为正整数,表示计算稳健标准误的近邻个数,biasadj(bias)表示根据原来协变量进行偏差校正,默认不进行偏差校正,也可通过指定项biasadj(varlist)来指定用于偏差校正的变量名单,pop表示估计总体平均处理效应。

    下面依然以倾向匹配得分用到的数据集进行偏差校正匹配分析

    首先通过一对四匹配,估计ATT,不做偏差校正,使用稳健标准误

    use ldw_exper.dta,replace
    nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4)

    ATT估计值为1.995,在1%显著性水平下显著。

    下面重复上述操作,增加偏差校正

    nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4) bias(bias)

    校正后的结果显示,ATT效应减少为1.838,在5%显著性水平下显著。

    最后采用马氏距离进行匹配:

    nnmatch re78 t age educ black hisp married re74 re75 u74 u75,tc(att) m(4) robust(4) bias(bias) metric(maha)

    ATT效应为1.796 ,5%显著性水平下显著

    综合以上三种结果,发现整体结论较为稳定。

    本案例参考陈强老师的高级计量经济学及stata应用,谢谢!

    展开全文
  • 立体视觉入门指南(7):立体匹配

    千次阅读 多人点赞 2022-02-12 12:07:47
    关于立体匹配,我之前写了很多博客,重复去写就没有必要,学习的朋友请阅读如下链接,本文我们随便聊聊立体匹配的方法论和弱纹理恢复问题。

    关于立体匹配,我之前写了很多博客,重复去写就没有必要,学习的朋友请阅读如下链接。

    本文我们随便聊聊立体匹配的方法论和弱纹理恢复问题。

    立体匹配系列

    0

    双目立体匹配步骤详解

    1 SGM系列

    理论恒叨系列

    【理论恒叨】【立体匹配系列】经典SGM:(1)匹配代价计算之互信息(MI)
    【理论恒叨】【立体匹配系列】经典SGM:(2)匹配代价计算之Census变换
    【理论恒叨】【立体匹配系列】经典SGM:(3)代价聚合(Cost Aggregation)
    【理论恒叨】【立体匹配系列】经典SGM:(4)视差计算、视差优化

    码上实战系列

    【码上实战】【立体匹配系列】经典SGM:(1)框架与类设计
    【码上实战】【立体匹配系列】经典SGM:(2)代价计算
    【码上实战】【立体匹配系列】经典SGM:(3)代价聚合
    【码上实战】【立体匹配系列】经典SGM:(4)代价聚合2
    【码上实战】【立体匹配系列】经典SGM:(5)视差优化
    【码上实战】【立体匹配系列】经典SGM:(6)视差填充
    【码上实战】【立体匹配系列】经典SGM:(7)弱纹理优化

    2 PatchMatch系列

    理论恒叨系列

    【理论恒叨】【立体匹配系列】经典PatchMatch: (1)Slanted support windows倾斜支持窗模型
    【理论恒叨】【立体匹配系列】经典PatchMatch: (2)基于PatchMatch的视差估计
    【理论恒叨】【立体匹配系列】经典PatchMatch: (3)后处理(一致性检查与视差填充)

    码上实战系列

    【码上实战】【立体匹配系列】经典PatchMatch: (1)框架
    【码上实战】【立体匹配系列】经典PatchMatch: (2)主类
    【码上实战】【立体匹配系列】经典PatchMatch: (3)随机初始化
    【码上实战】【立体匹配系列】经典PatchMatch: (4)代价计算
    【码上实战】【立体匹配系列】经典PatchMatch: (5)迭代传播
    【码上实战】【立体匹配系列】经典PatchMatch: (6)后处理

    3 AD-Census系列

    理论恒叨系列

    【理论恒叨】【立体匹配系列】经典AD-Census: (1)代价计算
    【理论恒叨】【立体匹配系列】经典AD-Census: (2)十字交叉域代价聚合(Cross-based Cost Aggregation)
    【理论恒叨】【立体匹配系列】经典AD-Census: (3)扫描线优化(Scanline Optimization)
    【理论恒叨】【立体匹配系列】经典AD-Census: (4)多步骤视差优化

    码上实战系列

    【码上实战】【立体匹配系列】经典AD-Census: (1)框架
    【码上实战】【立体匹配系列】经典AD-Census: (2)主类
    【码上实战】【立体匹配系列】经典AD-Census: (3)代价计算
    【码上实战】【立体匹配系列】经典AD-Census: (4)十字交叉域代价聚合
    【码上实战】【立体匹配系列】经典AD-Census: (5)扫描线优化
    【码上实战】【立体匹配系列】经典AD-Census: (6)多步骤视差优化

    如果你能学会SGM和PatchMatch,那么立体匹配你就完全入门了。

    关于方法论

    而真正需要学习的是立体匹配的方法论,从SGM算法,你可以学习马尔科夫随机场是如何应用于立体匹配的,进而你可以深入去了解马尔科夫随机场这个经典的理论,它在三维重建里应用比较广泛,你会在不同的地方看到它的身影,简而言之,大部分标签分配问题都可以用马尔科夫随机场来建模,而解决马尔科夫随机场这个能量最优问题,都是用效率高的近似方法,比如SGM的扫描线优化(Scanline Optimize)、动态规划(Dynamic Programming)、置信度传播(Belief Propagation)、合作优化(Cooperative Optimization)等。

    我们会发现,无论在科学研究还是在工程实践中,建模都很重要且关键,当你发现立体匹配问题可以转化为标签分配问题便很快想到可以用马尔科夫随机场建模,进而尝试用众多成熟的优化算法之一去解决问题。大多数论文都是这样产出,研究进展的突破就在你转化问题的那一瞬间,当然前提是你要掌握一定数量的算法模型,这便是你应该掌握的基本知识之一。

    而从PatchMatch算法上,和SGM对比我们可以明显感知到,基于离散空间的标签分配方法似乎并不是立体匹配问题的最优解,而基于连续空间的视差平面方法,在精度和效果上有明显的优势。尤其是在边界和细小结构的恢复上,离散空间带来的不精确性以及SGM的代价聚合模型对边界的处理并不清晰(或者说并不精确),使得SGM和PatchMatch差距明显,下图是一个例子:

    原图
    SGM
    PatchMatch

    边界恢复问题,并不能说是离散空间的问题,现在的深度神经网络,本质上还是离散空间的标签分配方法,但是将效果提升到了另一层次,对边界的恢复也比传统的标签分配方法要更好,但是在最终点云的精度上,对比PatchMatch并没有显现出优势,如果深度神经网络能在精度上打败传统几何算法,那算得上是一种全方位的颠覆,但是这并非不可能发生,因为目前所知的传统算法也并非在最好的状态,就算目前来看几何精度最好的PatchMatch也有精度分辨率,最终视差精细化时还是落到了离散空间,所以它未来被深度学习网络超越是可能的。

    我觉得理论上的观点是,如果深度学习和传统几何都受到同样的关注度和研究度,那么传统几何算法的结果精确度一定会持续表现出优势,而深度学习的结果完整度和准确度也让传统几何算法难以望其项背。但是现实情况是,深度学习有着远超传统几何算法的关注度和研究度,这一定程度上导致深度学习和某些注重精度的工业实践中存在一个鸿沟,所以你可以看到,在精度无比重要的精确测量领域,比如工业测量、测绘、定位抓取等,深度学习还很少应用,反而是原理简单而精度很高的结构光重建技术大行其道。

    而在一些不过分追求高精度的应用中,比如自动驾驶里的深度获取,并不需要每个点的精度都非常高,而完整度显得更重要,毕竟车前是否有物,和其离车距离是否足够精确两者之间,显然前者要更重要;再比如目前很流行的深度相机,虽然大多都是传统算法,但实际上很多情况下其并不需要非常高的精度,而采用传统算法居多的原因是传统算法的低算力,如果深度学习算力要求下降,或者芯片算力增强,则深度学习也将变得主流。

    关于弱纹理恢复问题

    弱纹理恢复是立体匹配的老大难,辐射差异对所有立体匹配来说至关重要,这是区分两个点是否为同一点的最关键信息。但是弱纹理的辐射差异十分微小且辐射值高度相似,这给基于局部窗口的立体匹配方法带来很大困难。

    目前我所知的弱纹理恢复方法,大体上是有两类,一类是聚类分割法、一类是多尺度估计法。

    聚类分割法建立的假设是局部的一块颜色相近的弱纹理区域极可能是属于同一块连续表面的,通常这个表面会假设为一个平面,在这个假设下有两类具体的思路去完成优化:
    1、先对所有像素完成视差估计,在对像素进行聚类分割,对于恢复失败的像素,用同一块内的其他有效视差进行平面拟合,拟合方程可用来填补该缺失像素。
    2、先对像素进行聚类分割,再基于聚类后的尺度上进行立体匹配,再将匹配结果映射到细粒度的像素尺度上。
    这类方法实际应用是很少的,因为其假设看上去有明显缺陷,聚类分割本身就存在过分割和欠分割的问题难解决,且前景背景颜色相近的情况并不少见,这让问题反而变得更加棘手。

    我这里想多聊聊另一类方法:多尺度估计方法。尺度是在我们人类感知中很重要的因子,如果将一块纯白的墙超近距离放在你的眼前,你肯定一头雾水,不知道这是什么东西,而且你的距离感会非常弱,感知不到这东西离你的眼睛到底有多远。而当距离慢慢拉远,你渐渐看到了墙周围的信息而推断出这是一堵墙,且距离感也会越来越清晰。尺度的大小决定了我们在有限视野内能接受到的信息范围,显然信息范围越大对我们的识别和定位都有好处,但也要认识到信息范围越大同时也会导致单位元尺寸下的信息清晰度变弱,两者必然是相互矛盾的。

    回到立体匹配问题上,我们显然无法单靠一个像素信息来完成左右像素的配对,像素周围的局部信息是必须的,但是前提是局部窗口有足够的信息熵,在上一个例子来说,在距离拉远的过程中,在看到白墙轮廓之前,你都依旧无法识别它,所以对弱纹理来说,对局部信息范围的扩大需求显得尤为突出,我们认识到周围信息的范围对识别并定位能力非常重要,所以我们希望更大的窗口以接受更大范围的信息,所以增大窗口尺寸往往对弱纹理的优化有一定的帮助。

    但增大窗口尺寸往往带来的是增大数倍的计算量,所以其实更实用的是减小图像分辨率,生成多个分辨率下的多尺度图像,在低分辨率尺度上对弱纹理取得更好的效果并投影到高分辨率尺度上。

    我这里做了组对比实验来验证多尺度下的的SGM算法效果:

    原图
    原图匹配
    1/2图匹配
    1/4图匹配

    随着图像分辨率尺度的变小,在墙面上的视差越来越完整。这是多尺度匹配有助于恢复弱纹理的一个佐证。

    好了本篇就到这里了,时隔半年的更新,希望能给到你帮助,再见!

    展开全文
  • NLP之文本匹配及语义匹配应用介绍

    万次阅读 多人点赞 2019-07-11 18:11:57
    文章目录1、什么是文本匹配?2、文本匹配方法概述2-1 传统文本匹配方法2-2 主题模型2-3 深度语义匹配模型表示型交互型3、语义匹配应用介绍3-1 短文本-短文本语义匹配3-2 短文本-长文本语义匹配案例1-用户查询-广告...
  • 双目立体匹配原理及流程简介

    千次阅读 2019-07-27 01:22:41
    2.从各具特色的双目立体匹配算法框架来看,算法有效性主要依赖3 个因素,选择准确的匹配基元(决策变量)、寻找相应的匹配准则(目标函数和约束条件)、构建能够准确匹配所选基元的稳定算法(求解过程)。 3.构建一...
  • mysql中索引是存储引擎层面用于快速查询找到记录的一种数据结构,索引对性能的影响非常重要,特别是表中数据很大的时候,正确的索引会极大的提成查询效率。简单理解索引,就相当于一本砖头厚书的目录部分,通过...
  • 总算有人讲明白了什么是特性阻抗什么是阻抗匹配

    万次阅读 多人点赞 2019-08-03 17:31:01
    认识特性阻抗也是一样的,在我们认识特性阻抗之前,先认识跟特性阻抗比较相关的一个物理—电阻。 电阻是一个实实在在的物理元器件,通过欧姆定律我们可以知道,电压、电流和电阻三者之间的关系,U=I*R 我们通过一...
  • FLANN特征匹配

    千次阅读 2019-06-21 11:36:39
    FLANN特征匹配 特征的概念: 一个图像块是由相似平面组成,其在原图像中会有大量相同的区域。 一个图像块取自原图像的边缘,其具有横向或纵向的差异性,而在与该方向垂直的角度上相同。 一个图像块取自原图像的角点...
  • 特征点匹配

    千次阅读 2018-07-02 14:01:58
    一、特征点(角点)匹配图像匹配能够应用的场合非常多,如目标跟踪,检测,识别,图像拼接等,而角点匹配最核心的技术就要属角点匹配了,所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系,从而确定两幅图像...
  • 稀疏匹配和稠密匹配

    千次阅读 2020-04-20 16:19:12
    学习双目视觉总是对一些概念模糊不清,...在以某一点为中心的窗函数中,计算其在不同方向上的变化 为避免将多个相邻点选为同一特征对应的兴趣点,将特征点选在兴趣测度函数具有局部最大值的地方。 稀疏匹配特...
  • MySQL最左匹配原则,道儿上兄弟都得知道的原则

    千次阅读 多人点赞 2020-09-11 19:31:00
    B+树的节点存储索引顺序是从左向右存储,在检索匹配的时候也要满足自左向右匹配。 目录一、最左匹配原则的原理二、违背最左原则导致索引失效的情况三、查询优化器偷偷干了哪些事儿四、需要你mark的知识点1、如何...
  • 双目视觉(四)匹配代价

    千次阅读 多人点赞 2019-12-16 18:42:37
    立体匹配中的代价 AD(颜色差异的绝对值): 公式(1)(颜色差异的绝对值): AD变换反映像素点的灰度变化,在纹理丰富区域具有良好的匹配效果,是一种简单、易实现的代价衡量的方法。但是,基于单个像素点计算的...
  • mysql左右匹配原则的用法和理解

    千次阅读 2022-03-25 10:36:28
    重点:mysql的最左匹配原则其实是和where后面的查询条件顺序是没有关系的只和索引的字段顺序有关;(这里说的顺序是联合索引的顺序) 这点网上很多地方都说错了 下面我们来用代码模拟一下问题 这里我们创建一个test...
  • 团队开发如何评估工作

    千次阅读 2018-12-26 11:35:56
    A 一天(除去加班、小憩时间)能完成的工作定义为 1 人天(也有叫”人日“的,注意两个字合起来是一个量词/单位),同时 A 的战斗力定为 1.0。这个需求按照 A 的标准要几天才能完成,则它的工...
  • 偏移:指定字符串中的字符数值,函数在该字符数值后开始查找匹配。偏移必须为数值。 字符串中第一个字符的偏移为0。如偏移未连线或小于0,函数将使用0作为偏移。 子字符串之前:该字符串包含匹配之前的所
  • 文本匹配(语义相似度/行为相关性)技术综述

    万次阅读 多人点赞 2019-01-13 13:08:39
    NLP 中,文本匹配技术,不像 MT、MRC、QA 等属于 end-to-end 型任务,通常以文本相似度计算、文本相关性计算的形式,在某应用系统中起核心支撑作用,比如搜索引擎、智能问答、知识检索、信息流推荐等。本篇将纵览...
  • 漫画:什么是字符串匹配算法?

    千次阅读 多人点赞 2020-01-13 08:48:00
    ————— 第二天 —————什么意思呢?让我们来举一个例子:在上图中,字符串B是A的子串,B第一次在A中出现的位置下标是2(字符串的首位下标是0),所以返回 2。我们再看另一个例子...
  • OpenCV—python 角点特征检测之三(FLANN匹配

    千次阅读 多人点赞 2019-05-29 11:32:43
    四、FLANN匹配 相对暴力匹配BFMatcher来讲,FLANN匹配算法比较准确、快速和使用方便。FLANN具有一种内部机制,可以根据数据本身选择最合适的算法来处理数据集。值得注意的是,FLANN匹配器只能使用SURF和SIFT算法来...
  • opencv 特征检测和特征匹配方法汇总

    万次阅读 多人点赞 2019-05-29 02:56:37
    计算机视觉领域中的很重要的图像特征匹配就是一特征点为基础而进行的,所以,如何定义和找出一幅图像中的特征点就非常重要。这篇文章我总结了视觉领域最常用的几种特征点以及特征匹配的方法。 在计算机视觉领域,...
  • 1、前两种都是属于模板匹配的方法,这些概念是在《数字图像处理高级应用》里的,其是移动匹配与向量匹配很像,只是移动匹配对灰度变换的鲁棒性不好。 这里说的移动匹配:就是把模板图像在原图像上进行移动,让后计算...
  • OpenCV—python 模板匹配与图像特征匹配

    千次阅读 多人点赞 2019-06-09 19:19:08
    文章目录一、理论介绍二、代码 一、理论介绍 模板匹配是在一幅图像中寻找一个特定目标的方法之一,这种方法的原理非常简单,遍历图像中的每...通过 滑动, 我们的意思是图像块一次移动一个像素 (从左往右,从上往下)....
  • 匹配追踪算法(MP)简介

    千次阅读 多人点赞 2017-10-11 23:17:17
    经典的算法有匹配追踪(Matching Pursuit,MP)、正交匹配追踪(Orthogonal Matching Pursuit,OMP)、基追踪(Basis Pursuit,BP)算法等. MP算法是稀疏表征中用于稀疏求解的最基本方法之一. 我在学习过程中参考网上...
  • 图像匹配的方法主要分为基于灰度值相关和基于特征提取。 基于像素匹配: 基于灰度值相关的方法直接对原图和模板图像进行操作,通过区域属性(灰度信息或频域分析等)的比较来反映他们之间的相似性。基于灰度的...
  • 正则表达式的模式匹配

    千次阅读 2019-01-08 22:11:45
    JavaScript中的正则表达式用RegExp对象表示,可以使用RegExp()构造函数来创建RegExp对象,不过RegExp对象更多的是通过一种特殊的直接语法来创建。就像通过引号包裹字符的方式来定义字符串直接一样,正则表达式...
  • PSM倾向得分匹配

    千次阅读 2021-10-30 16:34:48
    通过局部线性回归来估计权重进行匹配 样条匹配(Spline matching),使用“三次样条”来估计权重进行匹配 在实际进行匹配时,我们应根据具体数据的样本,数据性质等选择匹配方法,并可尝试同时使用不同的匹配方法...
  • 根据匹配频带的不同,匹配网络可以分为窄带匹配和宽带匹配两种,其中窄带匹配是利用无源器件的谐振完成的阻抗变换来实现电路的匹配。 当全桥逆变电路的输出频率高,匹配电路就需要采用宽带设计。实际
  • 最近公司有个需求,要求要对2800...这样做,对于少量数据可以用,但是千万级数据的笛卡尔积或阶乘式的匹配带来的计算实在太恐怖了,在spark 上跑,一会就full GC了,或是报数组长度超过java允许的最大长度的错误。
  • 朴素模式匹配与KMP模式匹配算法

    千次阅读 2018-07-02 10:15:42
    一、朴素模式匹配朴素模式匹配算法就是遍历主串,然后把待匹配字符串与子串进行比对,先把待匹配子串的第一个字母与主串进行匹配,若匹配成功,则两串的坐标依次 ++,匹配不成功时,主串坐标返回到开始匹配时的坐标...
  • 先说说什么是最大匹配法:最大匹配是指以词典为依据,取词典中最长单词为第一个次取字数量的扫描串,在词典中进行扫描(为提升扫描效率,还可以跟据字数多少设计多个字典,然后根据字数分别从不同字典中进行扫描)。...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 816,369
精华内容 326,547
关键字:

匹配量什么意思