分布式估计由于其可伸缩性，鲁棒性和低功耗而受到越来越多的关注。 在大多数分布式估计算法中，系统的输出被认为是有噪声的，而输入数据则被认为是准确的。 但是，在实际应用中，输入和输出数据都可能受到噪声的干扰。 因此，假设输入数据中的所有条目都是准确的并且仅输出数据中的条目被破坏是不现实的。 在输入和输出数据嘈杂的情况下，总最小二乘（TLS）方法具有将输入和输出数据中的扰动最小化的能力，因此比基于最小二乘（LS）的方法具有更好的性能。 。 此外，许多自然和人为系统都表现出高度的稀疏性。 在本文中，我们考虑输入和输出数据都被噪声破坏，并且感兴趣的参数稀疏的情况。 针对网络内协作估计问题，我们提出了几种稀疏感知的分布式TLS算法，其中使用l（1）-或l（0）-范数惩罚项来利用信号的稀疏性。 然后，我们对提出的算法的均值和均方性能进行理论分析。 另外，给出了几个数值模拟，以验证这些建议算法的有效性和优势。

文章 A2J 资源 ICCV 2019

PoseNet Python 该存储库包含Google TensorFlow.js Posenet模型的纯Python实现（仅限多姿势）。 对于此之后的（略快）PyTorch实现，请参阅（ ） 我首先或多或少地逐字修改了JS代码，发现性能很低，因此对一些关键函数（命名为_fast ）做了一些矢量化的numpy / scipy版本。 进一步优化是可能的 基本的MobileNet型号在GTX 1080 Ti（或更高版本）上具有200-300 fps的吞吐量 多位置后处理代码使该速率大大降低。 使用快速CPU和GTX 1080+： JS后处理代码的字面翻译将性能降低到大约30fps 我的

optimal state estimation.pdf optimal state estimation solution.pdf Optimal Filtering.pdf Mathematical Statistics and Data Analysis, 3r.pdf Essential Mathematics for Games and Interactive Applications,2nd.pdf optimal state estimation MATLAB 课后代码

图像。视频及实时网络摄像头人类动作位点预测

Lecture 4--Statistical-Estimation-and-Inference.pdf

自动驾驶状态估计和定位算法，另外还包含了自动驾驶学习资料的获取： 涵盖感知，规划和控制，ADAS，传感器； 1. apollo相关的技术教程和文档； 2.adas（高级辅助驾驶）算法设计（例如AEB,ACC,LKA等） 3.自动驾驶鼻祖mobileye的论文和专利介绍 4.自动驾驶学习笔记 5.自动驾驶专项课程（可能是目前最好的自动教师教程），是coursera上多伦多大学发布的自动驾驶专项课程，应该是目前为止非常火非常好的教程了，包含视频，ppt，论文以及代码 6.国家权威机构发布的adas标准，这是adas相关算法系统的标准，也是开发手册。 7.规划控制相关的算法论文介绍 8. 控制理论及应用实践

人体姿势估计 这是UCAS的本科生最后一年项目。 该FYP的目标是检测基于OpenPose的某些人类行为。 快速开始 获得预训练的OpenPose Caffe模型 转到文件夹./model并运行getModels.bat或getModels.sh （取决于您的操作系统）。 获取UR跌倒检测数据集 转到此并下载所有秋天的** -cam0-rgb.zip文件。 将zip文件放入文件夹./dataset/UR/ 安装要求 确保您的环境具有OpenCV，Keras，Numpy，Pandas，Sklearn，Matplotlib等。

论文： A Survey on 3D Hand Pose Estimation Cameras, Methods, and Datasets

Discrete logit probit estimation