Windows家庭版 WSL2非C盘详细安装配置与WSL代理设置+WSL基础环境CUDA安装
1 WSL2 配置
1.1 WSL 开启
运行管理员运行 PowerShell ,直接运行下面命令即可(默认WSL2),然后重启就应该自动开启了如“适用于Linux的Windows子系统”等相关功能
wsl --install
此命令将启用运行 WSL 和安装 Linux 的 Ubuntu 发行版(在C盘)所需的功能。但是,C盘空间太紧张,我更愿意把其安装在其他盘(D盘)
检查:在 Windows 功能中有开启“Hyper-V”、“适用于Linux的Windows子系统”、“虚拟机平台”功能
但是!windows家庭版(windows home)是默认没有Hyper-V功能的,需要自己手动安装:
详细解析Barlow Twins:自监督学习中的创新方法
首先先简单了解一下机器学习中,主要有三种学习范式:监督学习、无监督学习和自监督学习:
- 监督学习:依赖带标签的数据,通过输入输出映射关系进行训练。
- 无监督学习:不依赖标签,关注数据的内在结构和模式。
- 自监督学习:利用数据本身生成标签,通过预训练任务学习有效的特征表示。
Recognition:基于HoG特征的最近邻分类器与SVM的人物检测器
实际运行结果:
- 上面的为最近邻分类器,其中红框表示最近邻搜索的预测结果。
- 下方的为SVM:橙色框表示SVM的预测结果。其中,最红的框表示SVM预测的最高得分的预测结果。
4K4D学习笔记
问题
-
深度剥离(对于特定的图像像素 $u$ )
- 首先使用硬件光栅化器将点云渲染到图像上,将最靠近相机的一个点 $x_0$ 分配给像素 $u$ 。然后,记录下该点的深度 $t_0$ 。
- 在第 $k$ 次渲染通道中,将所有深度值 $t_k$ 小于前一通道记录的深度 $t_{k-1}$ 的点云的点都丢弃,从而得到每个像素的第 $k$ 个最靠近相机的点 $x_k$ 。在K次渲染后,像素 $u$ 就有了一组以深度排序的点 ${x_k \vert k = 1, …, K}$ 。
Subsequently, in the k-th rendering pass, all points with depth value $t_k$ smaller than the recorded depth of the previous pass $t_{k−1}$ are discarded, thereby resulting in the k-th closest-to-camera point $x_k$ for the pixel u.
问题:
隐式3D形状表示:Occupancy Networks
OccNet 的关键思想是隐式地表示3D形状,而不是显式地表示。与直接编码形状几何信息不同,OccNet 将形状的表面建模为非线性分类器的决策边界。
-
隐式表示:Occupancy Networks 将 3D 形状表示为非线性分类器函数的决策边界 \(f_{\theta} : \mathbb{R}^2 \times X \rightarrow [0,1]\)
这里,$X$ 表示输入空间(例如,体素网格或点云),函数在给定点的输出表示该点的是否占用(该点在物体内部还是外部,下图中即红色在内部,蓝色在外部)
学习NeRF——复现训练中的问题记录
训练问题
1 尝试一
训练中:在 Dateset 的 __getitem__
函数中进行 shuffle,导致每次迭代都会 shuffle 整个数据一次,耗费大量时间
-
在经过10000次迭代(20个epoch)后:
-
psnr 整体是呈现一个上升的趋势,在10000次迭代后在24左右
-
光度立体法估计法线与反射率重建场景
1 从明暗恢复形状
从明暗恢复形状(Shape from Shading,SfS)是指从图像的明暗信息推断出物体表面几何形状的过程。这个问题假设光照条件已知,目标表面是光滑且均匀的,并且照明是单向的。其基本思想是根据目标表面对光照的反应,推断出表面法线,从而得到表面的三维形状。
马尔可夫随机场MRF与置信度传播BP(附例子讲解)
1 马尔可夫随机场
马尔可夫随机场(Markov Random Field,MRF),是概率无向图模型的一种,用于描述变量之间的关系,其中变量之间的连接是无向的。
MRF的结构和条件独立性质是基于团块和最大团块的概念来定义的。
团块是图中结点的子集,其中子集中的节点两两之间都直接连接,而最大团块则是不能再添加其他节点而保持两两连接的最大子集。
共计 51 篇文章,7 页。