这是韩国学生的一篇硕士论文 业内评价很高。论文研究了低成本IMU的检校、INS的初始对准方法、GPS/INS组合解算模型的公式推导等。对做惯导和组合导航的算法设计很有帮助

Power System State Estimation Theory and Implementation 英文版的电力系统状态估计的经典著作，推荐学习电力系统的TX下载学习学习。

偏重自适应滤波的理论分析。适合与Haykin的自适应滤波结合起来看。

从2d关键点进行3d人体姿势估计 概述 尽管人们通常可以轻松地估计2d图像中人的3d姿势，但是3d姿势估计对于机器来说仍然是一个具有挑战性的问题。 该项目改进了一种算法，该算法以2d关键点作为唯一输入来估计人体姿势的3d关键点。 我将采取三种关键干预措施来改善整个数据集以及基准模型中具有特别高误差的姿势子集的重建精度：a）修改预处理中的数据归一化技术，b）从简单密集地修改神经网络架构将网络连接到以最新的2d姿态估计模型为模型的多级网络，并且c）生成合成数据以增强训练集。 这些干预措施成功地将整个测试集（来自卡耐基梅隆大学的运动捕捉数据库）中的重建误差降低了40％，针对目标的高误差姿势也降低了87％。 全文： （pdf） 依存关系 仅用于从头准备数据： 培训与测试 训练 运行prep_data.py 运行train.py ，注释掉所有您不想训练的模型设置。 日期时间将附加到这些文

社会距离估计 该存储库包含使用YOLOv4对象检测器和OpenPose人类姿势估计器根据单个RGB图像自动进行社交距离估计的代码和教程。 内容 入门 该代码要求安装以下库： python 3.8 张量流2.3.1 的opencv 4.4.0.44 numpy的1.18.5 该代码要求安装YOLOv4和OpenPose模型。 有关安装说明，请参阅和 。 安装后，从此页面下载3个脚本automatic_evaluation_API.py，valuate_labeled_images.py和valuate_unlabeled_images.py。 最后，项目文件夹应如下所示： ${project_dir} / ├── labels │ ├── body_pixel_locations.csv │ ├── camera_locations_photoshoot_identifi

Stochastic Models Estimation and Control 1,2,3卷，高清PDF，文字可选，是时候收藏一波了

一本讲解线性估计方面全面、细致的教材，可作为详细的参考书

EndoSLAM数据集和内窥镜视频的无监督单眼视觉测程和深度估计方法 EndoSLAM数据集概述 我们介绍了一种内窥镜SLAM数据集，该数据集既包含前体数据又包含合成数据。 数据集的离体部分包括标准和胶囊内窥镜记录。 数据集分为35个子数据集。 具体而言，分别存在结肠，小肠和胃的18、5和12个子数据集。 据作者所知，这是已发布的第一个用于胶囊内窥镜SLAM任务的数据集，具有定时6 DoF姿态数据和高精度3D地图地面真相 使用了两种不同的胶囊和传统的内窥镜相机，具有高分辨率和低分辨率，从而产生了不同的相机规格和照明条件。 来自不同相机的图像具有相同器官的不同分辨率和每个相关器官的深度，是所提出数据集的进一步独特功能。 我们还提供了两种类型的无线内窥镜的图像和姿态值，它们在某些方面彼此不同，例如相机分辨率，帧频以及用于检测Z线，十二指肠乳头和出血的诊断结果。 一些子数据集在两个版本中包

State Estimation for Robotics机器人学中的状态估计 [加]蒂莫西•D.巴富特 slam必读 中文文字版 （slam必读+状态估计+无人驾驶+自主导航+路径规划）

人体跌倒检测与追踪 使用Tiny-YOLO oneclass检测帧中的每个人，并使用获取骨骼姿势，然后使用模型从每个人跟踪的每30帧中预测动作。 现在支持7种动作：站立，行走，坐着，躺下，站起来，坐下，跌倒。 先决条件 Python> 3.6 火炬> 1.3.1 原始测试运行在：i7-8750H CPU @ 2.20GHz x12，GeForce RTX 2070 8GB，CUDA 10.2 数据 该项目已经训练了一个新的Tiny-YOLO oneclass模型，以仅检测人的物体并减小模型的大小。 使用旋转增强的人员关键点数据集进行训练，以在各种角度姿势中更可靠地检测人员。 对于动作识别，使用来自跌倒检测数据集（，家庭）的数据，通过AlphaPose提取骨骼姿势，并手动标记每个动作帧，以训练ST-GCN模型。 预训练模型 Tiny-YOLO oneclass- ， SPPE