<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[帅帅Go]]></title><description><![CDATA[关注深度学习、计算机视觉、SLAM算法以及IOT与机器人等相关内容，分享关于这些领域的学习和研究的一些文章和笔记！]]></description><link>https://blog.csdn.net/weixin_41793877</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_41793877]]></copyright><item><title><![CDATA[VideoMimic复现(1)：环境搭建（real2sim+simulation）]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/152214048</link><guid>https://blog.csdn.net/weixin_41793877/article/details/152214048</guid><author>weixin_41793877</author><pubDate>Sun, 28 Sep 2025 13:02:10 +0800</pubDate><description><![CDATA[本文介绍了VideoMimic项目中Real2Sim环境(vm1rs)的完整搭建流程。主要包括：1) 创建Docker容器并配置CUDA 12.4环境；2) 安装Anaconda并创建Python 3.12虚拟环境；3) 安装核心依赖包及姿态估计算法（Grounded-SAM-2、ViTPose、VIMO、BSTRO）；4) 配置MegaHunter和PyRoki优化工具；5) 可选安装世界重建(Align3r)、神经网格化(NDC)和手部姿态估计(WiLor)等模块。文中还提供了g++-11错误等常见问题]]></description><category></category></item><item><title><![CDATA[VideoMimic策略训练四阶段深度解读]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/152213438</link><guid>https://blog.csdn.net/weixin_41793877/article/details/152213438</guid><author>weixin_41793877</author><pubDate>Sun, 28 Sep 2025 12:44:11 +0800</pubDate><description><![CDATA[VideoMimic的策略训练并非单一环节，而是通过，逐步实现“从模仿人类运动到自主适配环境”的能力跃迁。每个阶段都有明确的目标、专属的观测输入、定制化的训练策略和技术细节，且前一阶段的输出直接为后一阶段提供基础，最终形成可部署到真实人形机器人的情境化控制策略。以下从“目标定位-核心输入-训练逻辑-技术细节-阶段作用”五个维度，对每个阶段进行详细拆解。]]></description><category></category></item><item><title><![CDATA[DeepMimic论文详细解析：基于示例引导的深度强化学习实现物理仿真角色技能]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/152213614</link><guid>https://blog.csdn.net/weixin_41793877/article/details/152213614</guid><author>weixin_41793877</author><pubDate>Sun, 28 Sep 2025 12:40:28 +0800</pubDate><description><![CDATA[DeepMimic的核心贡献在于首次将深度强化学习与物理仿真、运动捕捉数据深度结合框架创新：提出“模仿+任务”双奖励驱动的PPO框架，兼顾动作质量与任务能力，突破了早期RL动作质量低的瓶颈。关键机制：设计RSI和ET，解决了高动态技能（如空翻、旋转踢）的学习难题，为复杂动作学习提供通用方案。多技能整合：提出三种多技能方法，覆盖自适应切换、用户控制、动态组合，满足不同应用场景需求。泛化能力验证：在4类角色、30+技能、多环境（地形、重力变化）中验证有效性，证明框架的形态与环境泛化性。]]></description><category></category></item><item><title><![CDATA[微分几何笔记（２）：微分流形的例子]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/108847275</link><guid>https://blog.csdn.net/weixin_41793877/article/details/108847275</guid><author>weixin_41793877</author><pubDate>Mon, 28 Sep 2020 11:58:14 +0800</pubDate><description><![CDATA[我们知道[公式]中存在一个整体的坐标系，使得每个点都有一个坐标与之一一对应，大学之前学习的几何内容，都是在[公式]空间中处理问题。但是存在一些空间，在其上不存在一个整体的坐标系，如三维空间中的球面：[公式]。要想在其上处理问题，就需要将其分为若干个部分，在每个部分上建立坐标系，这就引出了微分流形的概念。
刚接触微分流形的概念理解起来还是比较困难，因此找来一些具体的例子，可以帮助大家理解微分流形的概念。
微分流形
例１： nnn维球面Sn={(x1,…,xn+1)∈Rn+1∣∑i=1n+1xi2=1}\ma.]]></description><category></category></item><item><title><![CDATA[微分几何笔记（1）：概念与定义]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/108847023</link><guid>https://blog.csdn.net/weixin_41793877/article/details/108847023</guid><author>weixin_41793877</author><pubDate>Mon, 28 Sep 2020 11:49:58 +0800</pubDate><description><![CDATA[文章目录概念与定义微分流形张量场与微分形式联络与曲率
概念与定义
微分流形
拓扑流形：　设MMM是一个Hausdorff拓扑空间，若对每一点p∈Mp\in Mp∈M，都有ppp的一个邻域UUU与Rm\mathrm{R}^mRm的一个开集同胚，则MMM是一个mmm维拓扑流形。
微分流形：　设MMM是一个Hausdorff拓扑空间，若存在MMM的一个开集族
Σ={(Uα,φα)∣α∈Λ,∪α∈ΛUα=M,φα是Uα到Rm的映射}
\Sigma=\{(U_\alpha,\varphi_\alpha)|\alph.]]></description><category></category></item><item><title><![CDATA[理解三个原则，轻松掌握矩阵求导]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/106002100</link><guid>https://blog.csdn.net/weixin_41793877/article/details/106002100</guid><author>weixin_41793877</author><pubDate>Fri, 08 May 2020 17:24:36 +0800</pubDate><description><![CDATA[理解三个原则，轻松掌握矩阵求导

本文首发在我的微信公众号，地址：理解三个原则，轻松掌握矩阵求导

矩阵求导在机器学习领域十分常见，无论在学习时，或者阅读相关论文的时候，掌握矩阵求导的方法是必要的。虽然有很多总结好的公式可以记住，但是总有忘记的时候，因此记再多也不如自己懂得如何计算。
根据矩阵微分的相关定义，可以总结出矩阵求导的三个原则：

如果函数f(x)为矩阵函数或向量函数，而自变量x为标量...]]></description><category></category></item><item><title><![CDATA[面向机器学习的数学基础：线性代数、拓扑、微积分和最优化（附下载链接）]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/103089682</link><guid>https://blog.csdn.net/weixin_41793877/article/details/103089682</guid><author>weixin_41793877</author><pubDate>Fri, 15 Nov 2019 17:59:10 +0800</pubDate><description><![CDATA[数学是机器学习的基础，而机器学习又是深度学习的基础，因此无论搞机器学习还是深度学习，没有相应的数学基础是不行的。算法和模型的搭建，都需要重要的数学工具作为支撑。不管是对机器学习研究人员，还是立志走上机器学习和AI研究之路的学生，打好坚实的数学基础是都至关重要的。
机器学习涉及到的数学学科背景知识比较广泛，除了必须掌握的线性代数、概率统计之外，还需要拓扑学、微积分、最优化理论等学科知识。本文分享一...]]></description><category></category></item><item><title><![CDATA[胶囊网络原理]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/103035080</link><guid>https://blog.csdn.net/weixin_41793877/article/details/103035080</guid><author>weixin_41793877</author><pubDate>Tue, 12 Nov 2019 18:02:14 +0800</pubDate><description><![CDATA[什么是胶囊网络？
胶囊网络是 Geoffrey Hinton 提出的一种新型神经网络结构，为了解决卷积神经网络（ConvNets）的一些缺陷。正式介绍Capsule的论文由Geoffrey Hinton在2017年发表，论文名字为《Dynamic Routing Between Capsules》。如对原论文感兴趣，可以通过文章底部的方式进行下载。
卷积网络有什么缺陷？


上图是卷积网络对卡戴...]]></description><category></category></item><item><title><![CDATA[基于视角变化的视频关键帧提取方法（附代码地址）]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/102642133</link><guid>https://blog.csdn.net/weixin_41793877/article/details/102642133</guid><author>weixin_41793877</author><pubDate>Sat, 19 Oct 2019 20:05:57 +0800</pubDate><description><![CDATA[基于图像进行三维重建时，需要从视频中提取关键帧，构成图片集合。

从视频中提取关键帧时，一般的方法是按照固定帧率（时间间隔）来进行提取图片。但由于拍摄视频时，场景视角变化幅度有时大有时小，按照固定帧率提取图片集，如果帧率过小，会丢失一些对三维重建比较关键的帧，而如果帧率过大，则提取的图片集合过大，造成不必要的冗余。
本质上来说，不存在一个合适的帧率进行图片提取。用于三维重建的图片集合，只要保持相...]]></description><category></category></item><item><title><![CDATA[tensorflow2.0正式版已发布，这里有一份教程（附下载链接）]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/102572202</link><guid>https://blog.csdn.net/weixin_41793877/article/details/102572202</guid><author>weixin_41793877</author><pubDate>Tue, 15 Oct 2019 18:32:02 +0800</pubDate><description><![CDATA[tensorflow2.0正式版已发布，这里有一份教程（附下载链接）

10月1日是我国成立70周年大庆，举国同庆的同时，大洋彼岸的谷歌宣布，开源机器学习库TensorFlow 2.0现在可供公众使用。
TensorFlow 2.0的Alpha版本今年初在TensorFlow开发者大会上首次发布，经过近7个月的不断修改、更新，TensorFlow 2.0正式版终于来到了大家的面前。TensorFl...]]></description><category></category></item><item><title><![CDATA[移动端实时目标检测网络Mobilenet_v2-ssdlite及其keras实现(附代码地址)]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/89052170</link><guid>https://blog.csdn.net/weixin_41793877/article/details/89052170</guid><author>weixin_41793877</author><pubDate>Sat, 06 Apr 2019 09:42:02 +0800</pubDate><description><![CDATA[移动端实时目标检测网络Mobilenet_v2-ssdlite及其keras实现

目标检测网络一般分为one-stage和two-stage。two-stage的检测网络基于Region Proposal，包括：R-CNN，Fast R-CNN，Faster R-CNN等，虽然精度相对较高，但是检测速度过慢，一帧需要几秒的时间，远远达不到实时。而one-stage的检测网络，包括SSD和YOLO...]]></description><category></category></item><item><title><![CDATA[tensorflow变量作用域tf.variable_scope介绍]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/86628060</link><guid>https://blog.csdn.net/weixin_41793877/article/details/86628060</guid><author>weixin_41793877</author><pubDate>Thu, 24 Jan 2019 15:42:49 +0800</pubDate><description><![CDATA[tensorflow变量作用域tf.variable scope介绍举例说明tf.get_variable()工作机制tf.variable_scope理解
举例说明
TensorFlow中的变量一般就是模型的参数。当模型复杂的时候共享变量会无比复杂。
官网给了一个case，当创建两层卷积的过滤器时，每输入一次图片就会创建一次过滤器对应的变量，但是我们希望所有图片都共享同一过滤器变量，一共有4个变...]]></description><category></category></item><item><title><![CDATA[语义分割网络RefineNet原理与Pytorch实现(附代码地址)]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/85861455</link><guid>https://blog.csdn.net/weixin_41793877/article/details/85861455</guid><author>weixin_41793877</author><pubDate>Sat, 05 Jan 2019 17:42:09 +0800</pubDate><description><![CDATA[
语义分割网络RefineNet原理与Pytorch实现1】RefineNet介绍2】RefineNet网络结构RefineNet BlockRCUMRFCRP
1】RefineNet介绍


RefineNet使用long-range残差连接，能够有效的将下采样中缺失的信息融合进来，从而产生高分辨率的预测图像。它将粗糙的高层语义特征和细粒度的底层特征进行融合。利用残差连接和identity ma...]]></description><category></category></item><item><title><![CDATA[R-CNN论文学习笔记]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/84714792</link><guid>https://blog.csdn.net/weixin_41793877/article/details/84714792</guid><author>weixin_41793877</author><pubDate>Sun, 02 Dec 2018 16:42:41 +0800</pubDate><description><![CDATA[W∗W_*W∗​

]]></description><category></category></item><item><title><![CDATA[Box-Muller变换原理详解]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/84700875</link><guid>https://blog.csdn.net/weixin_41793877/article/details/84700875</guid><author>weixin_41793877</author><pubDate>Sun, 02 Dec 2018 12:36:19 +0800</pubDate><description><![CDATA[
Box-Muller变换原理详解Box-Muller变换原理详解
Box-Muller变换
Box-Muller变换是通过服从均匀分布的随机变量，来构建服从高斯分布的随机变量的一种方法。具体的描述为：选取两个服从[0,1][0,1][0,1]上均匀分布的随机变U1U1U1、U2U2U2，XXX、YYY满足
X=cos(2πU1)−2ln⁡U2X=cos(2\pi U_1)\sqrt{-2\ln ...]]></description><category></category></item><item><title><![CDATA[数字图像的距离变换算法]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/84697970</link><guid>https://blog.csdn.net/weixin_41793877/article/details/84697970</guid><author>weixin_41793877</author><pubDate>Sun, 02 Dec 2018 10:30:57 +0800</pubDate><description><![CDATA[
数字图像的距离变换算法一、图像数字化二、距离三、距离变换四、OpenCV代码实现
一、图像数字化
通过传感器获得的图像是平面坐标(x,y)的连续函数f(x,y)，它的值图像对应位置的亮度。为了能够让计算机来处理，需要对图像进行采样，并且对亮度值进行量化。
1、采样。对连续函数f(x,y)进行采样，就是分别对x轴和y轴，按照固定间隔取值，得到平面坐标上的M×N个点，将其函数值作为元素生成M行N列的...]]></description><category></category></item><item><title><![CDATA[AlexNet论文笔记]]></title><link>https://blog.csdn.net/weixin_41793877/article/details/84696828</link><guid>https://blog.csdn.net/weixin_41793877/article/details/84696828</guid><author>weixin_41793877</author><pubDate>Sun, 02 Dec 2018 09:26:13 +0800</pubDate><description><![CDATA[AlexNet论文笔记【1】AlexNet介绍【2】网络结构详解【3】AlexNet的特点
【1】AlexNet介绍
AlexNet由Alex Krizhevsky于2012年提出，夺得2012年ILSVRC比赛的冠军，top5预测的错误率为16.4%，远超之前的第一名。此后，更多的更深的神经网路被提出，引爆了深度学习研究的热潮。

AlexNet采用8层的神经网络，包含6亿3000万个链接，60...]]></description><category></category></item></channel></rss>