【模仿动作】从人类演示中学习机器人动作规划方法
从人类抓取物体的视频中学习机器人的动作生成与规划方法，相关的研究的调研。
深度学习
32 篇
【模仿抓取】从人类演示中学习机械臂抓取
从人类抓取物体的视频中学习机器人抓取的相关工作调研。
【抓取姿态估计算法】RGB Matters论文笔记与复现
复现上交提出的RGB Matters算法。
【抓取算法】Contact GraspNet
复现NVIDIA提出的抓取估计算法Contact GraspNet
【6D位姿估计算法】Gen6D算法
算法复现
【6D位姿估计算法】GDRNPP算法
笔记梳理 GDR-Net 与 GDRNPP 的 6D 位姿估计流程：几何引导直接回归、对称处理与 Patch-PnP。
TensorBoard的使用丨深度学习曲线生成
在深度学习训练过程中，我们必定会需要观察系统的Loss、Learning_rate等参数的变化，因此实时绘制曲线图是十分有必要的。本文就介绍了如何利用Pytorch的TensorBoard绘制曲线图。
【论文笔记】ECCV2020-2022 6D位姿估计相关论文
检索阅读近三年ECCV6D位姿估计相关论文并进行记录
【论文笔记】CVPR2020-2022 6D位姿估计相关论文
检索阅读近三年CVPR6D位姿估计相关论文并进行记录
【论文笔记】DenseFusion被引论文丨无代码
检索了DenseFusion的被引论文，但是因为太多都没有开源代码，看了两篇就转向只关注顶会论文了。
【统计学习方法笔记04】朴素贝叶斯法
统计学习方法的学习笔记
【统计学习方法笔记03】k近邻法
近邻算法，假设给定了一个训练数据集，其中实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别， 通过多数表决等方式进行预测。因此，k近邻法不具有显式的学习过程。
【统计学习方法笔记02】感知机
感知机是二类分类的线性分类模型，输入为实例的特征向量，输出为实例的类别，旨在求出将训练数据进行线性划分的分离超平面。
【统计学习方法笔记01】统计学习概论
统计学习是关于计算机基于数据构建概率统计模型，并运用模型对数据进行预测与分析的一门学科。本文是对李航老师的《统计学习方法》一书学习笔记。
制作自己的Linemod数据集（ObjectDatasetTools）
目前正在学习6D位姿估计算法，该领域最常用的数据集就是LineMod数据集，但是只在数据集上测试还是不够，想要实际应用还需要搭建自己的数据集。
【深度学习笔记08】经典神经网络
目标检测的基本实现方法，从目标定位开始，总结了特征点检测、目标检测、滑动窗口法、NMS非极大抑制等目标检测的算法。
【深度学习笔记08】经典神经网络
本文介绍了一些经典的神经网络模型，包括实现LeNet-5，AlexNet，VGG-16，ResNet，Inception网络等的网络结构。
【深度学习笔记07】卷积神经网络
为什么神经网络对图片进行分析时经常使用卷积，为什么会有padding和stride，池化层和全连接层的作用是什么？
【深度学习笔记06】参数调试处理
介绍了神经网络中一些常用参数的选择原则和大概范围，以及BN和softmax的基本原理。
【6D位姿估计算法】linemod的介绍与代码测试
LineMod算法是Hinterstoisser等人在2011年提出的，通过采用模板匹配的方法，解决了杂乱场景下少纹理三维物体的实时监测与6D位姿估计定位问题。
【深度学习笔记05】深度学习常用优化算法
本文介绍了最常用的几种优化算法，从划分子集mini-batch开始，介绍了动量梯度下降法Momentum，RMSprop，以及两者的结合体Adam，几种方法的实现方法和基本原理。
【深度学习笔记04】改善训练效果与训练速度的一些要素
改善神经网络的训练效果有很多方面，比如避免欠拟合和过拟合，利用正则化等等。不同的方法其作用效果也不同。
【深度学习笔记03】线性回归与Softmax回归及其损失函数
深度学习的线性回归，基本的优化算法，以及Softmax回归和损失函数的实现。
【深度学习笔记02】数据操作的实现与线性代数基础
介绍了使用pytorch和pandas实现基本数据的操作方法，以及使用torch进行基本线性代数运算、求导计算的方法。
深度学习Buglist（不定时更新）
在跑深度学习代码，进行训练和预测过程中，肯定会遇到各种报错，本文总结了本人遇到的一些errors总结在这里，不定时更新。
经典实例分割模型Mask RCNN
Mask R-CNN是He Kaiming大神2017年的力作，其在进行目标检测的同时进行实例分割，取得了出色的效果。
【深度学习笔记01】神经网络与深度学习
笔者从零开始学习深度学习的笔记，本章介绍深度学习最最底层的数学思路，以及基于回归的简单的深度学习的算法思路和相关代码。
如何理解卷积神经网络中的通道channel
总结了一些新手会在入门深度学习过程中遇到的不理解的概念。
如何理解卷积神经网络中的通道channel
一般channels的含义是，每个卷积层中卷积核的数量。最初输入的图片样本的channels，取决于图片类型，比如RGB；卷积操作完成后输出的out_channels，取决于卷积核的数量。此时的out_channels也会作为下一次卷积时的卷积核的in_channels。
卷积是如何计算的
卷积操作其实就是每次取一个特定大小的矩阵，然后将其对输入矩阵依次扫描并进行内积的运算过程。
深度学习环境配置CUDA+TensorFlow2+Keras
Anaconda + CUDA + TensorFlow2 + Keras的深度学习环境搭建过程。
深度学习环境配置Pytorch
常用深度学习环境 Pytorch 的安装教程。