点云——噪声（代码）

本人硕士期间研究的方向就是三维目标点云跟踪，对点云和跟踪有着较为深入的理解，但一直忙于实习未进行梳理，今天趁着在家休息对点云的噪声进行梳理，因为预处理对于点云项目是至关重要的，所有代码都是近期重新复现过。

这篇之前写的，主要是对P2B点云跟踪进行复现以及学习记录，里面也包含了一些对点云的理解

P2B论文复现——点云学习记录_etw_pytorch_utils.git-CSDN博客

对PTT代码是更为熟悉的，几篇论文都是基于这个进行修改，等我今年毕业后会更新一次

目录

1、点云噪声是什么

2、点云噪声滤波技术

3、点云数据

4、统计滤波器

5、体素网格滤波

6、半径离群值移除

7、边缘保留滤波

8、将无组织的点云映射到二维图像

9、将无组织的点云转换为有组织的点云 

1、点云噪声是什么

点云噪声是指在使用三维扫描设备（如激光扫描仪、立体视觉相机等）获取点云数据时，由于各种原因引入的误差或偏差。这些噪声可能来源于设备的精度限制、扫描环境的影响（如光照条件、反射表面）、或者是数据处理过程中的算法误差。点云噪声会影响数据的质量，进而影响后续的处理和分析，如三维重建、模型识别等。

噪声的表现形式多种多样，包括：

  • 随机噪声：这是最常见的噪声类型，表现为点的位置存在随机偏差。
  • 系统噪声：由扫描设备的固有特性引起，如畸变、校准错误等，导致点云数据整体偏移或变形。
  • 环境噪声：由扫描环境引起，如由于表面反射特性不同，导致某些区域点云密度不均或缺失。

为了提供直观的理解，可以想象一个简单的场景：使用激光扫描仪扫描一个球体。理想情况下，扫描得到的点应该均匀分布在球体表面。然而，在实际情况中，扫描得到的点云数据可能会因为噪声的存在而出现以下问题：

  • 球体表面的点不是完全均匀分布，而是有些区域点更密集，有些区域点更稀疏。
  • 球体的形状看起来可能不是完全光滑的圆形，而是有些凹凸不平的地方。
  • 在球体的边缘或特定区域可能会有一些离群点，这些点明显偏离了球体的真实表面。

2、点云噪声滤波技术

解决点云噪声的方法通常涉及多种滤波技术，旨在去除或减少噪声，同时尽量保留有用的数据信息。以下是一些常用的点云滤波技术：

  1. 统计滤波器（Statistical Outlier Removal, SOR）：此方法基于统计分析，移除那些与其邻近点距离大幅偏离平均值的点。它假设点云的噪声是高斯分布的，通过计算每个点到其邻居的距离的平均值和标准差，然后根据这些统计数据移除离群点。

  2. 体素网格滤波（Voxel Grid Filter）：该技术通过创建一个三维体素网格覆盖在整个点云上，然后在每个体素内部将所有点简化为一个代表点（例如，通过取平均位置），以减少点云中的点数。这种方法对于降低数据量和滤除噪声很有效。

  3. 半径离群值移除（Radius Outlier Removal）：在这种方法中，对于每一个点，如果在给定的半径内找到的邻近点数少于某个阈值，这个点就被认为是离群值并被移除。这种方法对于去除孤立的噪声点很有效。

  4. 边缘保留滤波：这种方法尤其适用于在尽量保留数据特征边缘的同时去除噪声。例如，双边滤波器和引导滤波器能够在平滑数据的同时，保留边缘信息。

  5. 深度学习方法：最近，深度学习技术也被应用于点云噪声的去除。通过训练神经网络模型来识别和滤除噪声点，这种方法可以非常有效，尤其是在处理复杂数据和场景时。

选择合适的滤波技术时，需要考虑数据的特点、处理目标以及对结果质量的要求。在实际应用中，可能需要尝试多种方法或将几种方法组合使用，以达到最佳的去噪效果。

3、点云数据

一般是pcd和ply，这两个都可以互相转换

ply转pcd

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/io/ply_io.h>int main(int argc, char** argv)
{pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);if (pcl::io::loadPLYFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.ply)", *cloud) == -1) //加载文件{PCL_ERROR("Couldn't read file Sparse.ply \n");system("PAUSE");return (-1);}//显示点云数量std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from Sparse.ply with the following fields: "<< std::endl;//保存文件，包括颜色信息std::string filename("Sparse.pcd");pcl::PCDWriter writer;writer.write<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud, true); // 第三个参数为true时表示保存为二进制格式，可以包含颜色信息system("PAUSE");return 0;
}

4、统计滤波器

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/filters/statistical_outlier_removal.h>
#include <pcl/io/pcd_io.h>int main()
{// 创建点云指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);// 读取点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1){PCL_ERROR("Couldn't read file Sparse.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from Sparse.pcd with the following fields: "<< std::endl;// 创建滤波器对象pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setMeanK(50); // 设置在进行统计分析时考虑的临近点个数sor.setStddevMulThresh(1.0); // 设置标准差倍数阈值sor.filter(*cloud_filtered);// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_Filter.pcd)", *cloud_filtered);std::cout << "Cloud after filtering: " << std::endl;std::cout << "Saved "<< cloud_filtered->width * cloud_filtered->height<< " data points to filtered_output.pcd."<< std::endl;return 0;
}

 报错如下。解决方案：通过项目属性->C/C++->代码生成->启用增强指令集->选择AVX

原图 

 设置下点的大小

滤波后 ，看左下角，一些单个的离群点已经消除，算法滤波能力取决于参数

5、体素网格滤波

对于降低数据量和滤除噪声很有效

因此上一个点云数据有点太小了，建议换大点的，我换了一个点云是不带RGB颜色的，也就是把PointXYZRGB换成PointXYZ

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/voxel_grid.h>int main(int argc, char** argv)
{// 定义点云对象指针pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);// 读取PCD文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件{PCL_ERROR("Couldn't read file input_color.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from input_color.pcd with the following fields: "<< std::endl;// 创建体素网格滤波器对象pcl::VoxelGrid<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setLeafSize(0.01f, 0.01f, 0.01f); // 设置体素网格的大小sor.filter(*cloud_filtered);std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height<< " data points." << std::endl;// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_VoxelGrid.pcd)", *cloud_filtered);return (0);
}

原图 

滤波后，很明显的数据量减少

6、半径离群值移除

 这种方法对于去除孤立的噪声点很有效

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/radius_outlier_removal.h>int main(int argc, char** argv)
{// 创建点云指针pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZRGB>);// 读取点云文件if (pcl::io::loadPCDFile<pcl::PointXYZRGB>(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse.pcd)", *cloud) == -1){PCL_ERROR("Couldn't read file input_color.pcd \n");return (-1);}std::cout << "Loaded "<< cloud->width * cloud->height<< " data points from input_color.pcd with the following fields: "<< std::endl;// 创建半径离群值移除滤波器pcl::RadiusOutlierRemoval<pcl::PointXYZRGB> outrem;outrem.setInputCloud(cloud);outrem.setRadiusSearch(0.2); // 设置搜索半径outrem.setMinNeighborsInRadius(5); // 设置半径内最小邻居数目// 应用滤波器outrem.filter(*cloud_filtered);std::cout << "PointCloud after filtering: " << cloud_filtered->width * cloud_filtered->height<< " data points." << std::endl;// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\Sparse_RadiusOutlierRemoval.pcd)", *cloud_filtered);return (0);
}

原图

滤波后，还是比较明显的，离群点不见了

7、边缘保留滤波

旨在平滑数据的同时保留边缘特征，如物体边界。我们可以利用类似于图像处理中边缘保留技术的方法，例如双边滤波（Bilateral filter），来实现类似的效果。双边滤波是一种常见的边缘保留滤波方法，可以在平滑点云数据的同时保留其边缘信息。

#include <iostream>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/filters/fast_bilateral.h> // 注意：PCL版本可能影响这个头文件的可用性int main(int argc, char** argv)
{// 加载点云pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>());pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) == -1) //* 打开点云文件{PCL_ERROR("Couldn't read file input.pcd \n");return (-1);}// 创建双边滤波对象pcl::FastBilateralFilter<pcl::PointXYZ> fbFilter;fbFilter.setInputCloud(cloud);fbFilter.setSigmaS(1.5); // 空间范围的标准差fbFilter.setSigmaR(0.05f); // 颜色或强度范围的标准差// 应用滤波器fbFilter.applyFilter(*cloud_filtered);// 保存过滤后的点云pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized_FastBilateralFilter.pcd)", *cloud_filtered);return 0;
}

报错

[pcl::FastBilateralFilter] Input cloud needs to be organized.

[pcl::PCDWriter::writeASCII] Input point cloud has no data!

输入的点云需要是有组织的（organized）。有组织的点云类似于图像数据，其中每个点都有明确的像素位置（即它们是按矩阵形式排列的），这通常是从深度相机（如Kinect或Realsense）直接获取的数据。如果你的点云是无组织的（unorganized），即简单的点云列表，那么FastBilateralFilter无法直接应用。

 如何将无组织的点云转换为有组织的点云?

将无组织的点云映射到二维图像->二维图像映射成三维点云

看完第8节和第9节应该可以得到如下图片，双边滤波的参数对z轴影响很大，注意参数调节

8、将无组织的点云映射到二维图像

要实现将无组织的点云映射到一个特定平面并为其分配一个固定分辨率的过程，我们需要考虑几个关键步骤：定义映射平面、选择分辨率、计算2D像素位置。这个示例不会涉及复杂的相机内参转换。深度信息直接用z来进行表示。

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3D#include <opencv2/opencv.hpp> // 包含OpenCV库头文件
#include <opencv2/highgui/highgui.hpp>
#include <algorithm> // std::minmax_elementint main() {// 假设已经加载了点云数据到cloud变量pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 加载点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {return -1;}int imageWidth = 640;int imageHeight = 480;// 初始化深度图，使用-1表示该像素位置没有对应的点云数据std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));// 确定点云的边界pcl::PointXYZ minPt, maxPt;pcl::getMinMax3D(*cloud, minPt, maxPt);// 遍历点云中的每个点for (const auto& point : cloud->points) {// 将点云的坐标转换为2D图像的像素坐标// 这里使用简单的线性映射，假设点云完全覆盖图像平面int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));// 选择z值作为深度信息float depth = point.z;// 更新深度图if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {// 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式depthMap[v][u] = depth;}}// 将depthMap转换为cv::Matint rows = depthMap.size();int cols = depthMap[0].size();cv::Mat depthImage(rows, cols, CV_32FC1); // 浮点单通道图像for (int i = 0; i < rows; ++i) {for (int j = 0; j < cols; ++j) {depthImage.at<float>(i, j) = depthMap[i][j];}}// 可视化处理// 为了更好地在图像中显示深度信息，我们可以对深度值进行归一化double minVal, maxVal;cv::minMaxIdx(depthImage, &minVal, &maxVal); // 查找深度图中的最小和最大值cv::Mat normalizedDepthImage;cv::convertScaleAbs(depthImage, normalizedDepthImage, 255 / (maxVal - minVal), -minVal * 255 / (maxVal - minVal));// 显示深度图cv::namedWindow("Depth Image", cv::WINDOW_AUTOSIZE);cv::imshow("Depth Image", normalizedDepthImage);cv::waitKey(0); // 等待按键// 保存深度图为图片cv::imwrite(R"(D:\CPlusProject\PCL\pclTest\Data\chef_depth_image.png)", normalizedDepthImage);return 0;
}

这段代码首先将深度图转换为OpenCV的cv::Mat格式，然后使用cv::minMaxIdx查找深度图中的最小和最大深度值，以便对深度值进行归一化处理，使其范围在0到255之间。这样处理后的深度图更适合在屏幕上显示和保存为图片。

运行代码即可看到三维点云已经映射到二维图像上了

9、将无组织的点云转换为有组织的点云 

前提是做了前一步，三维映射到二维得到深度图 

这边的相机模型参数是简单的一种模拟

#include <iostream>
#include <vector>
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/common/common.h> // 包含 getMinMax3Dint main() {// 假设已经加载了点云数据到cloud变量pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);// 加载点云文件if (pcl::io::loadPCDFile<pcl::PointXYZ>(R"(D:\CPlusProject\PCL\pclTest\Data\chef.pcd)", *cloud) != 0) {return -1;}int imageWidth = 640;int imageHeight = 480;// 初始化深度图，使用-1表示该像素位置没有对应的点云数据std::vector<std::vector<float>> depthMap(imageHeight, std::vector<float>(imageWidth, -1));// 确定点云的边界pcl::PointXYZ minPt, maxPt;pcl::getMinMax3D(*cloud, minPt, maxPt);// 遍历点云中的每个点for (const auto& point : cloud->points) {// 将点云的坐标转换为2D图像的像素坐标// 这里使用简单的线性映射，假设点云完全覆盖图像平面int u = static_cast<int>((point.x - minPt.x) / (maxPt.x - minPt.x) * (imageWidth - 1));int v = static_cast<int>((point.y - minPt.y) / (maxPt.y - minPt.y) * (imageHeight - 1));// 选择z值作为深度信息float depth = point.z;// 更新深度图if (u >= 0 && u < imageWidth && v >= 0 && v < imageHeight) {// 这里简单地将点云的z值直接赋给像素，实际应用中可能需要其他处理方式depthMap[v][u] = depth;}}// 有了深度图 depthMap 和对应的尺寸 imageWidth, imageHeightpcl::PointCloud<pcl::PointXYZ>::Ptr organizedCloud(new pcl::PointCloud<pcl::PointXYZ>);organizedCloud->width = imageWidth;organizedCloud->height = imageHeight;organizedCloud->is_dense = false; // 有组织的点云可能包含无效点organizedCloud->points.resize(organizedCloud->width * organizedCloud->height);// 假设的相机参数float focalLength = 1500.0; // 焦距，以某种单位表示float centerX = imageWidth / 2.0;float centerY = imageHeight / 2.0;float scalingFactor = 1; // 将深度值转换为相同单位的比例因子for (int i = 0; i < imageHeight; ++i) {for (int j = 0; j < imageWidth; ++j) {pcl::PointXYZ point;if (depthMap[i][j] != -1) {float z = depthMap[i][j] * scalingFactor; // 转换深度值float x = (j - centerX) * z / focalLength;float y = (i - centerY) * z / focalLength;point.x = x;point.y = y;point.z = z;}else {point.x = point.y = point.z = std::numeric_limits<float>::quiet_NaN();}organizedCloud->points[i * imageWidth + j] = point;}}//保存为有组织的三维点云if (pcl::io::savePCDFile(R"(D:\CPlusProject\PCL\pclTest\Data\chef_organized.pcd)", *organizedCloud) == -1) {PCL_ERROR("Couldn't save the organized point cloud file.\n");return -1;}return 0;
}

 好的，大家可与拿这个有组织的点云数据跑双边滤波了，已经测过，不会报错了。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://xiahunao.cn/news/2778305.html

如若内容造成侵权/违法违规/事实不符，请联系瞎胡闹网进行投诉反馈，一经查实，立即删除！

相关文章

C++ vector用法

C++ vector用法

目录 1. vector&#xff1a; 1.1 vector 说明 1.2 vector初始化&#xff1a; 方式1. 方式2. ​编辑方式3. 方式4. 方式5. 1.3 vector对象的常用内置函数使用&#xff08;举例说明&#xff09; pop_back&#xff08;&#xff09; 2. 顺序访问vector的几种方式&#x…
阅读更多...
hook函数——useRef

hook函数——useRef

useRef useRef 是一个 React Hook&#xff0c;它能帮助引用一个不需要渲染的值。也就是说useRef可以存储一个值&#xff0c;但是不被组件渲染&#xff0c;仅仅只是引用&#xff0c;主要包括两个方面&#xff0c;例如使用ref引用一个值&#xff0c;使用ref引用一个dom节点&…
阅读更多...
前端工程化面试题 | 01.精选前端工程化高频面试题

前端工程化面试题 | 01.精选前端工程化高频面试题

&#x1f90d; 前端开发工程师、技术日更博主、已过CET6 &#x1f368; 阿珊和她的猫_CSDN博客专家、23年度博客之星前端领域TOP1 &#x1f560; 牛客高级专题作者、打造专栏《前端面试必备》 、《2024面试高频手撕题》 &#x1f35a; 蓝桥云课签约作者、上架课程《Vue.js 和 E…
阅读更多...
动态规划的一个初步学习

动态规划的一个初步学习

啥叫动态规划 在我们写很多的题目时&#xff0c;常常可以用暴力枚举来写&#xff0c;缺点就是速度太慢了。如果我们用一个数组或者哈希表&#xff08;虽然我还没学过哈希表&#xff09;将之前暴力枚举的数据储存起来&#xff0c;当再一次枚举到这个数字的时候就直接调用数组或…
阅读更多...
【深蓝学院】移动机器人运动规划--第4章 动力学约束下的运动规划--笔记

【深蓝学院】移动机器人运动规划--第4章 动力学约束下的运动规划--笔记

0. Outline 1. Introduction 什么是kinodynamic&#xff1f; 运动学&#xff08;Kinematics&#xff09;和动力学&#xff08;Dynamics&#xff09;都是力学的分支&#xff0c;涉及物体的运动&#xff0c;但它们研究的焦点不同。 运动学专注于描述物体的运动&#xff0c;而…
阅读更多...
【蓝桥杯冲冲冲】k 短路 / [SDOI2010] 魔法猪学院

【蓝桥杯冲冲冲】k 短路 / [SDOI2010] 魔法猪学院

蓝桥杯备赛 | 洛谷做题打卡day33 文章目录 蓝桥杯备赛 | 洛谷做题打卡day33题目背景题目描述输入格式输出格式样例 #1样例输入 #1样例输出 #1 提示数据规模数据更新日志 题解代码我的一些话 【模板】k 短路 / [SDOI2010] 魔法猪学院 题目背景 注&#xff1a;对于 k k k 短路问…
阅读更多...
mysql学习笔记-MYSQL介绍

mysql学习笔记-MYSQL介绍

什么是Mysql MySQL目前属于Oracle公司&#xff0c;常见的关系型数据库还有:sql server &#xff0c;MarlaDB,DB2等MYSQL区别于其它关系型数据库的很大一个特点是支持插件式的存储引擎支持如&#xff1a;innoDB&#xff0c;MyLSAM&#xff0c;Memory等MySQL是一种DBMS&#xff…
阅读更多...
微信小程序（四十）API的封装与调用

微信小程序（四十）API的封装与调用

注释很详细&#xff0c;直接上代码 上一篇 新增内容&#xff1a; 1.在单独的js文件中写js接口 2.以注册为全局wx的方式调用接口 源码&#xff1a; utils/testAPI.js const testAPI{/*** * param {*} title */simpleToast(title提示){//可传参&#xff0c;默认为‘提示’wx.sho…
阅读更多...
2024春晚刘谦魔术与约瑟夫环问题

2024春晚刘谦魔术与约瑟夫环问题

各位小伙伴们大家——过~年~好~~&#xff01;[]~(&#xffe3;▽&#xffe3;)~* 昨晚播出了2024春节联欢晚会&#xff0c;本着在乡下无聊也是无聊不如看看今年春晚有没有什么乐子的心态从晚上20点到次日0点40共4个多小时的时间在人生中首次看完了一整场春晚直播 (((φ(◎ロ◎…
阅读更多...
Mysql索引优化建议

Mysql索引优化建议

1&#xff0c;最左前缀法则 如果为一张表创建了多列的组合索引&#xff0c;要遵守最左前缀法则。就是指查询从索引的最左前列开始并且不要跳过索引中的列。&#xff08;因为Mysql的InnoDB引擎的索引树是一个按顺利排序存储的数据结构&#xff08;BTREE&#xff09;&#xff0c…
阅读更多...
[论文精读]Community-Aware Transformer for Autism Prediction in fMRI Connectome

[论文精读]Community-Aware Transformer for Autism Prediction in fMRI Connectome

论文网址&#xff1a;[2307.10181] Community-Aware Transformer for Autism Prediction in fMRI Connectome (arxiv.org) 论文代码&#xff1a;GitHub - ubc-tea/Com-BrainTF: The official Pytorch implementation of paper "Community-Aware Transformer for Autism P…
阅读更多...
ClickHouse--02--安装

ClickHouse--02--安装

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 安装官网 &#xff1b;[https://clickhouse.com/docs/zh/getting-started/install](https://clickhouse.com/docs/zh/getting-started/install)![在这里插入图片描述…
阅读更多...
【算法与数据结构】42、LeetCode接雨水

【算法与数据结构】42、LeetCode接雨水

文章目录 一、题目二、解法三、完整代码 所有的LeetCode题解索引&#xff0c;可以看这篇文章——【算法和数据结构】LeetCode题解。 一、题目 二、解法 思路分析&#xff1a;   程序如下&#xff1a; 复杂度分析&#xff1a; 时间复杂度&#xff1a; O ( ) O() O()。空间复…
阅读更多...
JDK新特性

JDK新特性

JDK新特性 函数式接口和Lambda 表达式Stream流操作新日期API操作其他新特性 Lambda 是一个匿名函数&#xff0c;我们可以把 Lambda表达式理解为是一段可以传递的代码&#xff08;将代码 像数据一样进行传递&#xff09;。可以写出更简洁、更 灵活的代码。作为一种更紧凑的代码…
阅读更多...
网络原理(一)

网络原理(一)

&#x1f495;"Echo"&#x1f495; 作者&#xff1a;Mylvzi 文章主要内容&#xff1a;网络原理(一) 一. 应用层 应用层是和程序员联系最密切的一层,对于应用层来说,程序员可以自定义应用层协议,应用层的协议一般要约定好以下两部分内容: 根据需求,明确要传输哪些信…
阅读更多...
[职场] 测试工程师面试会问些什么 #其他#微信#学习方法

[职场] 测试工程师面试会问些什么 #其他#微信#学习方法

测试工程师面试会问些什么 在测试工程师面试过程中&#xff0c;可能会涉及到具体测试工具、技术和方法的问题。所以在准备面试前&#xff0c;需要熟悉常用的测试理论和实践&#xff0c;掌握基本的测试技能和工具使用。 一.常见问题及答案 1. 你是如何理解软件测试的作用和重要…
阅读更多...
nginx添加lua模块

nginx添加lua模块

目录 已安装了nginx&#xff0c;后追加lua模块nginx 重新编译知识参考&#xff1a; 从零安装一、首先需要安装必要的库&#xff08;pcre、zlib、openssl&#xff09;二、安装LUA环境及相关库 &#xff08;LuaJIT、ngx_devel_kit、lua-nginx-module&#xff09;注意&#xff1a;…
阅读更多...
C# 夺冠，微软.NET前途光明！

C# 夺冠，微软.NET前途光明！

本文以C# 摘得 “2023 年度编程语言“称号为背景&#xff0c;介绍.NET的历史、生态及发展势头&#xff0c;该文章是本人C#专栏的第一篇文章。 这里写目录标题 1.C#摘得"2023年度编程语言"奖项2.什么是.NET&#xff1f;2.1.NET简史2.2.NET是用于应用程序开发的生态系…
阅读更多...
【Java EE初阶十二】网络初识

【Java EE初阶十二】网络初识

1. 网络发展史 网络发展的几个主要时期&#xff1a; 单机时代->局域网时代->广域网时代->移动互联网时代 随着时代的发展&#xff0c;越来越需要计算机之间互相通信&#xff0c;共享软件和数据&#xff0c;即以多个计算机协同工作来完成 业务&#xff0c;就有了网络互…
阅读更多...
【Linux系统学习】6.Linux系统软件安装

【Linux系统学习】6.Linux系统软件安装

实战章节&#xff1a;在Linux上部署各类软件 前言 为什么学习各类软件在Linux上的部署 在前面&#xff0c;我们学习了许多的Linux命令和高级技巧&#xff0c;这些知识点比较零散&#xff0c;进行练习虽然可以基础掌握这些命令和技巧的使用&#xff0c;但是并没有一些具体的实…
阅读更多...
最新文章

Copyright @ 2022~2023