Ubuntu22.04使用zsh+ohmyzsh+Powerlevel10k主题**oh-my-zsh**1、字体安装1.1、安装mkfontscalemkfontdir和fc-cache命令1.2、下载字体文件1.3、然后解压到文件夹1.4、转到/usr/share/fonts/SourceCodePro目录，并安装2、安装zsh3、安装oh-my-zsh4、安装Powerlevel10k主题4.1、配置Powerlevel10k5、安装各种插件参考链接oh-my-zshOhMyZsh是一款社区驱动的命令行工具，是基于Zsh命令行的一个扩展工具集，提供了丰富的扩展功能，如：主题配置，插件机制
Ubuntu22.04使用zsh+ohmyzsh+Powerlevel10k主题**oh-my-zsh**1、字体安装1.1、安装mkfontscalemkfontdir和fc-cache命令1.2、下载字体文件1.3、然后解压到文件夹1.4、转到/usr/share/fonts/SourceCodePro目录，并安装2、安装zsh3、安装oh-my-zsh4、安装Powerlevel10k主题4.1、配置Powerlevel10k5、安装各种插件参考链接oh-my-zshOhMyZsh是一款社区驱动的命令行工具，是基于Zsh命令行的一个扩展工具集，提供了丰富的扩展功能，如：主题配置，插件机制
嗨嗨~，这里是一个学习编程已有一年的RICESHOWER_SCREAM!从今天起为了更好的学习编程，我开始在CSDN上正式开始发表文章啦！这也是我的第一次在这种场合发表文章（好紧张~）。目前我的学习进度是把C语言学的差不多了，所以最近这段时间可能会分享一些关于C语言的一些文章，希望可以用我自己的学习经历帮助大家更好的学习吧！ 那么既然这是我的第一篇文章，那我就先来讲讲我的编程学习目标吧！一.编程学习目标 目前我对自己学习编程的历程为： C语言————>数据结构与算法————>C++————>系统编程————>网络编程————>数据库————>Java（如果有时间的话会考虑学习）
嗨嗨~，这里是一个学习编程已有一年的RICESHOWER_SCREAM!从今天起为了更好的学习编程，我开始在CSDN上正式开始发表文章啦！这也是我的第一次在这种场合发表文章（好紧张~）。目前我的学习进度是把C语言学的差不多了，所以最近这段时间可能会分享一些关于C语言的一些文章，希望可以用我自己的学习经历帮助大家更好的学习吧！ 那么既然这是我的第一篇文章，那我就先来讲讲我的编程学习目标吧！一.编程学习目标 目前我对自己学习编程的历程为： C语言————>数据结构与算法————>C++————>系统编程————>网络编程————>数据库————>Java（如果有时间的话会考虑学习）
PythonOpen3D点云配准ICP(IterativeClosestPoint）这篇博客将介绍迭代最近点配准算法(IterativeClosestPoint,ICP)。多年来，它一直是研究和工业中几何注册的支柱。输入是两个点云和一个初始变换，该变换大致将源点云与目标点云对齐。输出是一个精确的变换，它将两个点云紧密对齐。将展示俩种ICP：点对点ICP（PointToPoint）和点对面ICP（PointToPlane）。函数draw_registration_result在icp过程中可视化对齐效果。目标点云和源点云分别用青色和黄色绘制。两个点云彼此重叠得越多越紧密，对齐结果越好。函数eva
PythonOpen3D点云配准ICP(IterativeClosestPoint）这篇博客将介绍迭代最近点配准算法(IterativeClosestPoint,ICP)。多年来，它一直是研究和工业中几何注册的支柱。输入是两个点云和一个初始变换，该变换大致将源点云与目标点云对齐。输出是一个精确的变换，它将两个点云紧密对齐。将展示俩种ICP：点对点ICP（PointToPoint）和点对面ICP（PointToPlane）。函数draw_registration_result在icp过程中可视化对齐效果。目标点云和源点云分别用青色和黄色绘制。两个点云彼此重叠得越多越紧密，对齐结果越好。函数eva
摘要：本文说首次实现了大规模点云场景中基于点的模型的实时检测（首先指出FPS采样策略进行下采样是耗时的，尤其当点云增加的时候，计算量和推理时间快速增加；本文提出IC-FPS；包含两个模块：localfeaturediffusionbasedbackgroundpointfilter(LFDBF)；CentroidInstanceSamplingStrategy(CISS)；LFDBF用来排除大量的背景点，而CISS用来替代FPS；简介：早期的工作将点云投影为多视图，或体素点云，并通过3D卷积提取特征。这些方法虽然取得了很好的效果，但在将点云转换为block等中间表示时，不可避免地会丢失信息，导
摘要：本文说首次实现了大规模点云场景中基于点的模型的实时检测（首先指出FPS采样策略进行下采样是耗时的，尤其当点云增加的时候，计算量和推理时间快速增加；本文提出IC-FPS；包含两个模块：localfeaturediffusionbasedbackgroundpointfilter(LFDBF)；CentroidInstanceSamplingStrategy(CISS)；LFDBF用来排除大量的背景点，而CISS用来替代FPS；简介：早期的工作将点云投影为多视图，或体素点云，并通过3D卷积提取特征。这些方法虽然取得了很好的效果，但在将点云转换为block等中间表示时，不可避免地会丢失信息，导
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
