Multipath Matching Pursuit with Depth-First (MMP-DF) 是一种贪婪算法，它为稀疏重建/近似问题提供近似解：min ||x||_0 使得 Phi * x = y。 该算法来自论文：[*] S. Kwon、J. Wang 和 B. Shim，“多路径匹配追踪”，IEEE Trans。 通知。 理论，卷。 60，没有。 5，第 2986-3001 页，2014 年 5 月。

NYU depth V2 数据集中包含 从3个城市拍摄的464个新场景，其中只有1449个被标记好的对齐RGB和深度图像，还有407,024个新的未标记帧。想要得到更多的用于深度学习训练的数据，需要对NYU depth V2中未标记的帧做处理

用matlab生成谐波代码根据未校准的单眼偏振图像进行线性深度估计 这是我们ECCV 2016论文“根据未校准的单眼偏振图像进行线性深度估计”的Matlab实现。 它还包括偏振图像分解（线性和非线性优化）的实现，两种从偏振形状比较的方法，简单的最小二乘表面积分方法（支持前景蒙版）和用于像素级镜面标记的基本方法。 注意：我正在清理代码并将其添加到存储库中。 我将继续更新已上传内容的列表。 到目前为止包含的内容： 比较方法 最小二乘积分器 极化图像分解 漫射偏振模型（偏振度到天顶角） 光源估算 极化高度 仍要添加： 镜面模型，镜面标签 边界先验（计算边界方位角和权重） 样本数据集 用于生成综合数据集和评估的代码 上传代码时，我将添加文档和演示脚本。 极化图像分解 您需要做的第一件事是将捕获的图像转换为3通道偏振图像。 执行此功能的是PolarisationImage.m。 输入为： images-3D数组，其中包含捕获的图像大小，这些图像的大小为cols by nimages angles-包含偏振器角度的长度为n的图像的矢量（我使用一个坐标系，其中偏振器角度是从向上的垂直轴测量的，如果从

c# in depth 3rd 深入理解c# 第三版英文版 内容清晰，易于阅读

kinect 深度图像的像素值等于计算的对象/表面深度。 但是，吸收或散射 kinect IR 的区域（如光滑表面或锐利边缘）填充为零像素值（表示未计算的深度）。 这些具有缺失信息的区域（由零值表示）需要在使用深度图像之前进行填充。 这个填充过程是通过用周围 25 个像素的统计模式替换零值像素来完成的。 使用统计模式比使用统计平均值返回更清晰的边缘，因为模式仅将周围 25 个像素中的最大出现值插入到中心像素。 用法：[Q,R]=Kinect_DepthNormalization(depthImage) 函数输入：Kinect 深度图像（16 位 png） 函数输出：替换为零值的深度图像，图像中检测到的零像素数。 笔记： 该代码是Karl Sanford在Code Project（ http://www.codeproject.com/Articles/317974/KinectD

深度转点云代码

C# in Depth 4th

高清中文版Delphi讲解，让你更清楚什么是indy

c# in depth pdf the third editon 赵四本之一 《深入理解C#(第2版)》是C#领域不可多得的经典著作。作者Jon Skeet在详尽地展示C#各个知识点的同时，更注重从现象中挖掘本质。本书深入探索了C#的核心概念和经典特性，并将这些特性融入到代码中，让读者能够真正领会到C#之“深入”与“精妙”。在第1版的基础上，书中新增了C# 4的新特性，如动态类型、命名实参和可选参数等，这些特性将C#语言提升到了一个新的层次。

一篇slam相关论文，结合了深度学习。用CNN单帧预测深度，可以解决单目slam中尺度不确定性、纯旋转、低纹理区域等问题。