1.历史匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法，广泛应用在运筹学领域，美国数学家哈罗德·库恩于1955年提出该算法，之所以被称作匈牙利算法是因为算法很大一部分是基于以前匈牙利数学家DénesKőnig(1884-1944)和JenőEgerváry(1891-1958)的工作上创建起来的。KuhnHW.TheHungarianmethodfortheassignmentproblem[J].Navalresearchlogisticsquarterly,1955,2(1‐2):83-97.2.指派问题匈牙利算法被用来求解任务分配问题，也叫指派问题，即n项任务，对应分配给n
1.历史匈牙利算法是一种在多项式时间内求解任务分配问题的组合优化算法，广泛应用在运筹学领域，美国数学家哈罗德·库恩于1955年提出该算法，之所以被称作匈牙利算法是因为算法很大一部分是基于以前匈牙利数学家DénesKőnig(1884-1944)和JenőEgerváry(1891-1958)的工作上创建起来的。KuhnHW.TheHungarianmethodfortheassignmentproblem[J].Navalresearchlogisticsquarterly,1955,2(1‐2):83-97.2.指派问题匈牙利算法被用来求解任务分配问题，也叫指派问题，即n项任务，对应分配给n
OpenCVPython相机标定【目标】摄像机引起的失真类型如何找到相机的内参和外参如何基于这些特性校正这些图像【理论】一些针孔相机会导致图像发生严重失真，主要有两种，一是径向畸变，一是切向畸变。径向畸变使直线看起来弯曲。距离图像中心越远的点，径向畸变越大。如下图，棋盘的两个边缘用红线标记。但是，你可以看到，棋盘的边界不是一条直线，与红线不匹配，所有预期的直线都凸出来了，访问Distortion(optics)了解更多细节。径向畸变可以由下面的方程表示：xdr=x(1+k1r2+k2r4+k3r6)ydr=y(1+k1r2+k2r4+k3r6)x_{dr}=x(1+k_1r^2+k_2r^4+
OpenCVPython相机标定【目标】摄像机引起的失真类型如何找到相机的内参和外参如何基于这些特性校正这些图像【理论】一些针孔相机会导致图像发生严重失真，主要有两种，一是径向畸变，一是切向畸变。径向畸变使直线看起来弯曲。距离图像中心越远的点，径向畸变越大。如下图，棋盘的两个边缘用红线标记。但是，你可以看到，棋盘的边界不是一条直线，与红线不匹配，所有预期的直线都凸出来了，访问Distortion(optics)了解更多细节。径向畸变可以由下面的方程表示：xdr=x(1+k1r2+k2r4+k3r6)ydr=y(1+k1r2+k2r4+k3r6)x_{dr}=x(1+k_1r^2+k_2r^4+
0Preliminaries在多智能体强化学习算法中，两个主要的技术指标为合理性与收敛性。合理性（rationality）：在对手使用一个恒定策略的情况下，当前智能体能够学习并收敛到一个相对于对手策略的最优策略。收敛性（convergence）：在其他智能体也使用学习算法时，当前智能体能够学习并收敛到一个稳定的策略。通常情况下，收敛性针对系统中的所有的智能体使用相同的学习算法。Q：为什么不能直接将单智能体强化学习算法直接移植到多智能体环境中？A:在多智能体环境中，每个agent的策略在训练的过程中都是不断变化的，这导致对每个agent来说，环境都是不稳定的，而在这种不稳定的环境中学习到的策略是
0Preliminaries在多智能体强化学习算法中，两个主要的技术指标为合理性与收敛性。合理性（rationality）：在对手使用一个恒定策略的情况下，当前智能体能够学习并收敛到一个相对于对手策略的最优策略。收敛性（convergence）：在其他智能体也使用学习算法时，当前智能体能够学习并收敛到一个稳定的策略。通常情况下，收敛性针对系统中的所有的智能体使用相同的学习算法。Q：为什么不能直接将单智能体强化学习算法直接移植到多智能体环境中？A:在多智能体环境中，每个agent的策略在训练的过程中都是不断变化的，这导致对每个agent来说，环境都是不稳定的，而在这种不稳定的环境中学习到的策略是
YOLO3D:端到端3D点云输入的实时检测前言算法分析模型输入网络结构回归损失3Dbox回归偏航角回归边界框损失函数数据集处理训练结果前言YOLO3D将YOLO应用于3D点云的目标检测，与Complex-YOLO（Complex-YOLO的解读从这进入）类似，不同的是将yolov2的损失函数扩展到包括偏航角、笛卡尔坐标下的三维box以及直接回归box的高度。论文：https://arxiv.org/abs/1808.02350算法分析模型输入论文中将3D点云投影为鸟瞰图网格，创建两个网格映射如图。第一个包含最大高度，其中每个网格单元（像素）值表示与该单元关联的最高点的高度。第二个网格图表示点的
YOLO3D:端到端3D点云输入的实时检测前言算法分析模型输入网络结构回归损失3Dbox回归偏航角回归边界框损失函数数据集处理训练结果前言YOLO3D将YOLO应用于3D点云的目标检测，与Complex-YOLO（Complex-YOLO的解读从这进入）类似，不同的是将yolov2的损失函数扩展到包括偏航角、笛卡尔坐标下的三维box以及直接回归box的高度。论文：https://arxiv.org/abs/1808.02350算法分析模型输入论文中将3D点云投影为鸟瞰图网格，创建两个网格映射如图。第一个包含最大高度，其中每个网格单元（像素）值表示与该单元关联的最高点的高度。第二个网格图表示点的
文章目录前言一、二阶行列式1.二阶行列式的定义2.二阶行列式的计算二、三阶行列式1.三阶行列式的定义2.三阶行列式的计算三、排列与逆序1.排列定义1：定义2：2.逆序定义：逆序数偶排列和奇排列标准排列（自然排列）N(n,(n-1)...3,2,1)的逆序数有几个对换在所有的n级排列中，奇排列和偶排列个数相等，各占一半，也就是n!2\frac{n!}{2}2n!总结前言本笔记记录自B站《线性代数》高清教学视频“惊叹号”系列宋浩老师第一课一、二阶行列式1.二阶行列式的定义有2行2列，4个元素∣a11a12a21a22∣\begin{vmatrix}a_{11}&a_{12}\\a_{21}&a_
文章目录前言一、二阶行列式1.二阶行列式的定义2.二阶行列式的计算二、三阶行列式1.三阶行列式的定义2.三阶行列式的计算三、排列与逆序1.排列定义1：定义2：2.逆序定义：逆序数偶排列和奇排列标准排列（自然排列）N(n,(n-1)...3,2,1)的逆序数有几个对换在所有的n级排列中，奇排列和偶排列个数相等，各占一半，也就是n!2\frac{n!}{2}2n!总结前言本笔记记录自B站《线性代数》高清教学视频“惊叹号”系列宋浩老师第一课一、二阶行列式1.二阶行列式的定义有2行2列，4个元素∣a11a12a21a22∣\begin{vmatrix}a_{11}&a_{12}\\a_{21}&a_
