lab技术栈

三维重建:

MVS（多视图立体） SfM（运动恢复结构） LIDAR SLAM

机器学习:

传统机器学习：随机森林、支持向量机(SVM)、岭回归(BLUP) 深度学习：基于多层神经网络的端到端学习方法

深度学习:

卷积神经网络 (CNN)：ResNet、U-Net、YOLO系列、Mask R-CNN 循环神经网络 (RNN)：LSTM、GRU Transformer：ViT (Vision Transformer)、Cropformer 点云神经网络：PointNet++ 时序卷积网络：TCN

计算机视觉

目标检测与实例分割: YOLO系列,Mask R-CNN

语义分割: U-Net,DeepLabV3+

实例分割：Mask R-CNN

图像分类与特征提取: ResNet,ViT (Vision Transformer)

密度估计: 密度回归网络

时序建模:

LSTM GRU TCN (时间卷积网络)

多模态融合:

多任务学习 跨模态注意力机制 数据融合 / 特征融合 / 结果融合

pca主成分分析法: 找到数据变化最大的几个方向,扔掉变化小的方向,实现降维去冗余 PCA（Principal Component Analysis，主成分分析）是一种降维技术,它通过数学变换,把原始数据中相互关联的多个变量,转换成少数几个互不相关的"主成分",并且尽可能保留原始数据 降维：把100维数据压缩到2-3维，方便可视化和后续处理 去冗余：消除变量之间的相关性，提取独立信息 特征提取：找出数据中最重要的变化方向