前言

ORB-SLAM3

1. IMU (Inertial measurement unit) 慣性測量單元
2. 相機:
   1. 單眼相機
   2. 立體相機
   3. 深度相機
   4. 針孔相機
   5. 魚眼相機
3. 更新過程
   beta 0.4 ~ 1.0 realease。

研究背景

找出新台幣硬幣輪廓並計算出共有多少錢,請自行拍攝有多種硬幣的coins影像照片測試,並程式實作

研究背景

產生雜訊影像, 濾波後效果除視覺效果比較外, 利用與原影像計算PSNR來比較結果。
至少需產生三種雜訊影像, 每種至少利用3種濾波器實作比較其結果, 測試影像使用Lenna.bmp。

前言

當初撰寫畢業專題開發Firebase時，約莫也有三年了，
當初除了官方文件資料之外，其餘相關應用不是相當普遍，當初做起來也不是相當上手，
近期一些空檔，將一些常用功能做一些整理，應用至side project當中。

前言

協助友人快速執行程式，將程式開發流程記錄下來以供參考，訓練完成時間約10個小時。
開發環境使用一張 Nvidia 2080Ti 顯示卡，程式並無大問題，簡單處理將logs資料夾刪除。
初步流程約半個小時內可以快速上手。

這篇主要介紹SuperPoint，透過PyTorch實作的過程。
SuperPoint: Self-Supervised Interest Point Detection and Description

背景

近期整理部落格中，覺得部落格有點單調，開始分析Hexo提供的強大功能，將常用功能整理出來並啟用。

研究背景

特徵提取與匹配主要分為三個步驟：關鍵點偵測、描述子生成與特徵匹配。

影像匹配（Image Matching）是指將兩張或多張影像中的相似區域或特徵點進行對應的過程。這個過程通常用於電腦視覺、影像處理和電腦圖形學等領域中。

影像匹配的目標是找到不同影像之間的相似區域或特徵點的對應關係。這些對應關係可以用於後續的影像分析、物體識別、三維重建、姿態估計等應用。常見的影像匹配應用包括物體追蹤、影像配對、影像檢索、影像拼接等。

影像匹配的方法可以分為點對點匹配和區域匹配兩種。點對點匹配是將兩張影像中的特徵點進行對應，找到它們之間的對應關係。常用的特徵點包括角點、邊緣點、局部特徵點（例如SIFT、SURF、ORB等）等。區域匹配則是將影像中的區域或結構進行對應，找到它們之間的相似性。區域匹配方法常用的包括基於相關性的方法、基於相位相關性的方法、基於區域描述子（例如HOG、LBP等）的方法等。

影像匹配的精確度和鮮明度取決於影像之間的特徵或區域的一致性和唯一性。在實際應用中，影像匹配面臨著許多挑戰，如光照變化、視角變化、噪聲干擾、遮蔽等。因此，為了提高影像匹配的準確性和魯棒性，經常需要結合多種特徵提取和匹配算法，並使用適當的校正和優化技術。

總之，影像匹配是一個重要的技術，可以幫助我們找到影像中的相似區域或特徵點之間的對應關係，為後續的影像分析和應用提供基礎。

研究背景

近期在改良編碼器網路，偶然間找到這一篇主幹網路，便將模型程式碼拆開來解析分析內部架構，這篇的引用次數偏高。以往實作上，論文與實際程式碼實現都會有段差距，基於論文提出的想法來改量比較實際，實作上有些東西刪減也是解析程式碼時發現的，並非都是原先的模型架構，此程式碼主要來自論文提供的原始碼網站。

研究背景

近期協助友人開發App應用程式，探討App開發選擇原生平台Android和IOS或是跨平台開發React Native、Flutter、Xamarin、Apache Cordova。數年前在開發Apache Cordova時結果覺得不怎麼理想，最後與專案經理探討結果決定使用具備快速執行速度的Flutter進行開發，剛好數年前也評估過使用Flutter有用過幾個月，便答應協助友人救援請求。