0 学习目标 理解标准卡尔曼滤波的原理 利用Python实现卡尔曼滤波估计随机常数 1 原理难点过程噪声 Q 调参测量噪声 R 通过测量数据获得 当状态分量之间没有耦合关系时，QR为对角矩阵

0 学习目标

• 理解FAST算法的原理
• 学习OpenCV中FAST角点检测的源码
• 利用OpenCV进行FAST的角点检测

1 原理

角点检测是很多视觉任务的第一步，比如说视觉SLAM，需要实时提取图像的特征点，并进行匹配。大牛们已经设计出很多角点检测算法，比如说SIFT(DOG),Harris和SUSAN等，这些角点检测算法可以提取出质量很高的角点，但是它们计算非常耗时，无法在SLAM这样对实时性要求很高的视觉任务中应用。于是，FAST角点检测算法在2006年被Edward Rosten和Tom Drummond提出[1]。

下面对论文[1]中的算法原理进行简单的介绍：

0 背景知识

在机器学习中，当测试样本的维数很高时，会出现数据样本稀疏，距离计算困难等问题，这被称为“维数灾难”(curse of dimensionality). 为了解决维数灾难带来的影响，提出了降维(dimension reduction)操作。降维主要分为线性降维和非线性降维。线性降维包括多维缩放MDS和主成分分析PCA。非线性降维有核主成分分析KPCA和流形学习等方法。本文主要介绍PCA.

其实，现在项目中还没有用到主成分分析PCA，但是看到百度计算机视觉工程师面试中会问到PCA的相关问题，所以总结一下，以备不时之需。

---

【原文链接】 https://github.com/songrotek/Deep-Learning-Papers-Reading-Roadmap

---

If you are a newcomer to the Deep Learning area, the first question you may have is “Which paper should I start reading from?”

Here is a reading roadmap of Deep Learning papers!

The roadmap is constructed in accordance with the following four guidelines:

• From outline to detail
• From old to state-of-the-art
• from generic to specific areas
• focus on state-of-the-art

You will find many papers that are quite new but really worth reading.

I would continue adding papers to this roadmap.

---