点云处理【三】(点云降采样)

点云降采样

第一章 点云数据采集
第二章 点云滤波
第二章 点云降采样

1. 为什么要降采样？

我们获得的数据量大，特别是几十万个以上的点云，里面有很多冗余数据，会导致处理起来比较耗时。
降采样是一种有效的减少数据、缩减计算量的方法。

2.降采样算法

2.1 随机降采样

根据设置的比例系数随机删除点云，比较接近均匀采样，但不稳定。

Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd = pcd.random_down_sample(sampling_ratio=0.5)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="随机降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

在这里插入图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/random_sample.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::RandomSample<pcl::PointXYZ> random_sampling;random_sampling.setInputCloud(cloud);random_sampling.setSample(10000);  // 设置希望得到的点数random_sampling.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.2 均匀降采样

就是每隔多远采集一个点，

Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd = pcd.uniform_down_sample(6)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="均匀降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/uniform_sampling.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::UniformSampling<pcl::PointXYZ> filter;		// 创建均匀采样对象filter.setInputCloud(cloud);					// 设置待采样点云filter.setRadiusSearch(10.0f);					// 设置采样半径filter.filter(*cloud_downsampled);					// 执行均匀采样，结果保存在cloud_filtered中std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.3 体素降采样

将空间切割为均匀大小的体素网格，以非空体素的质心代替该体素内的所有点。

原点云位置使用体素降采样后会发生变化。

open3d

import numpy as np
import open3d as o3d
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)downpcd = pcd.voxel_down_sample(voxel_size=5)
print(downpcd)
o3d.visualization.draw_geometries([downpcd], window_name="体素降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

请添加图片描述

pcl

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::VoxelGrid<pcl::PointXYZ> sor;sor.setInputCloud(cloud);sor.setLeafSize(10.0f, 10.0f, 10.0f);sor.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_sampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

2.4 最远点降采样

首先随机选择一个点，其次，在剩下点中寻找最远的点，再去再剩下点中找到同时离这两个点最远的点，直到满足采样点个数。
Open3d

import numpy as np
import open3d as o3dpcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
print(pcd)  # 输出点云点的个数
o3d.visualization.draw_geometries([pcd], window_name="原始点云",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)
downpcd=pcd.farthest_point_down_sample(10000)
print(downpcd) #降采样后的点云数
o3d.visualization.draw_geometries([downpcd], window_name="最远点降采样",width=1024, height=768,left=50, top=50,mesh_show_back_face=True)

请添加图片描述
PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/common/distances.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("1697165371469.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;size_t N = cloud->size();assert(N >= 10000);srand(time(0));size_t seed_index = rand() % N;pcl::PointXYZ p = cloud->points[seed_index];;cloud_downsampled->push_back(p);cloud->erase(cloud->begin() + seed_index);for (size_t i = 1; i < 10000; i++){float max_distance = 0;size_t max_index = 0;for (size_t j = 0; j < cloud->size(); j++){float distance = pcl::euclideanDistance(p, cloud->points[j]);if (distance > max_distance){max_distance = distance;max_index = max_index;}}p = cloud->points[max_index];cloud_downsampled->push_back(p);cloud->erase(cloud->begin() + max_index);}std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

在这里插入图片描述

2.5 移动最小二乘法降采样

在MLS法中，需要在一组不同位置的节点附近建立拟合曲线，每个节点都有自己的一组系数用于定义该位置附近拟合曲线的形态。因此，在计算某个节点附近的拟合曲线时，只需要计算该点的该组系数值即可。

此外，每个节点的系数取值只考虑其临近采样点，且距离节点越近的采样点贡献越大，对于未置较远的点则不予考虑。

许多文章都将移动最小二乘法作为降采样方法，我觉得这只是一种平滑，所以这里给了重建代码，不进一步实验了。

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl/surface/mls.h>
#include <pcl/search/kdtree.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);// 输出的PointCloud中有PointNormal类型，用来存储MLS算出的法线pcl::PointCloud<pcl::PointNormal> mls_points;// 定义MovingLeastSquares对象并设置参数pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointNormal> mls;mls.setComputeNormals(true);mls.setInputCloud(cloud);mls.setSearchMethod(tree);mls.setSearchRadius(30);// 曲面重建mls.process(mls_points);//std::cout << "downsampled cloud size: " << mls_points->width * mls_points->height << std::endl;// 使用PCLVisualizer进行可视化boost::shared_ptr<pcl::visualization::PCLVisualizer> viewer(new pcl::visualization::PCLVisualizer("MLS Cloud Viewer"));viewer->addPointCloud<pcl::PointNormal>(mls_points.makeShared(), "MLS Cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "MLS Cloud");viewer->addPointCloudNormals<pcl::PointNormal>(mls_points.makeShared(), 1, 0.05, "normals");  // 可选：显示法线viewer->saveScreenshot("screenshot.png");while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

2.6 法线空间采样

通过在法向量空间内均匀随机抽样，使所选点之间的法线分布尽可能大，结果表现为地物特征变化大的地方剩余点较多，变化小的地方剩余点稀少，可有效保持地物特征。

Open3d

import open3d as o3d
import numpy as npdef normal_space_sampling(pcd, num_bins=5, num_samples=10000):# 1. 估算法线pcd.estimate_normals(search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=10, max_nn=30))normals = np.asarray(pcd.normals)# 2. 使用法线的x、y和z分量将法线映射到一个3D直方图或“bin”空间bins = np.linspace(-1, 1, num_bins)normal_bins = np.digitize(normals, bins)unique_bins = np.unique(normal_bins, axis=0)sampled_indices = []for b in unique_bins:indices = np.all(normal_bins == b, axis=1)bin_points = np.where(indices)[0]if bin_points.size > 0:sampled_indices.append(np.random.choice(bin_points))# 如果采样点数不足，从原点云中随机选择其他点while len(sampled_indices) < num_samples:sampled_indices.append(np.random.randint(0, len(pcd.points)))# 3. 从每个bin中选择一个点进行采样sampled_points = np.asarray(pcd.points)[sampled_indices]sampled_pcd = o3d.geometry.PointCloud()sampled_pcd.points = o3d.utility.Vector3dVector(sampled_points)return sampled_pcd# 读取点云
pcd = o3d.io.read_point_cloud("second_radius_cloud.pcd")
sampled_pcd = normal_space_sampling(pcd)
o3d.visualization.draw_geometries([sampled_pcd])

在这里插入图片描述

PCL

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/filters/normal_space.h>
#include <pcl/features/normal_3d.h>int main(int argc, char** argv) {pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_downsampled(new pcl::PointCloud<pcl::PointXYZ>);if (pcl::io::loadPCDFile<pcl::PointXYZ> ("second_radius_cloud.pcd", *cloud) == -1){PCL_ERROR("couldn't read file");return 0;}std::cout << "Loaded " << cloud->width * cloud->height<< " data points" << std::endl;// 计算法线pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;ne.setInputCloud(cloud);pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>());ne.setSearchMethod(tree);pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);ne.setRadiusSearch(30);  // 设置法线估计的半径ne.compute(*cloud_normals);// 法线空间采样pcl::NormalSpaceSampling<pcl::PointXYZ, pcl::Normal> nss;nss.setInputCloud(cloud);nss.setNormals(cloud_normals);nss.setBins(5, 5, 5);  // 设置法线空间的bin数量nss.setSample(cloud->size() / 10);  // 例如，取原始点云大小的1/10nss.filter(*cloud_downsampled);std::cout << "downsampled cloud size: " << cloud_downsampled->width * cloud_downsampled->height << std::endl;pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));viewer->setBackgroundColor(0, 0, 0);  // 设置背景色viewer->addPointCloud<pcl::PointXYZ>(cloud_downsampled, "sample cloud");viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 1, "sample cloud");viewer->initCameraParameters();while (!viewer->wasStopped()){viewer->spinOnce(100);}return 0;
}

请添加图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/108324.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【LeetCode刷题（数据结构）】：翻转二叉树

【LeetCode刷题（数据结构）】：翻转二叉树

方法一&#xff1a;递归 思路与算法 这是一道很经典的二叉树问题。显然&#xff0c;我们从根节点开始&#xff0c;递归地对树进行遍历&#xff0c;并从叶子节点先开始翻转。如果当前遍历到的节点 root\textit{root}root 的左右两棵子树都已经翻转&#xff0c;那么我们只需要交…
阅读更多...
如何在C程序中使用libcurl库下载网页内容

如何在C程序中使用libcurl库下载网页内容

概述 爬虫是一种自动获取网页内容的程序&#xff0c;它可以用于数据采集、信息分析、网站监测等多种场景。在C语言中&#xff0c;有一个非常强大和灵活的库可以用于实现爬虫功能&#xff0c;那就是libcurl。libcurl是一个支持多种协议和平台的网络传输库&#xff0c;它提供了一…
阅读更多...
天锐绿盾透明加密、半透明加密、智能加密这三种不同加密模式的区别和适用场景——@德人合科技-公司内部核心文件数据、资料防止外泄系统

天锐绿盾透明加密、半透明加密、智能加密这三种不同加密模式的区别和适用场景——@德人合科技-公司内部核心文件数据、资料防止外泄系统

由于企事业单位海量的内部数据存储情况复杂&#xff0c;且不同公司、不同部门对于文件加密的需求各不相同&#xff0c;单一的加密系统无法满足多样化的加密需求。天锐绿盾企业加密系统提供多种不同的加密模式&#xff0c;包括透明加密、半透明加密和智能加密&#xff0c;用户可…
阅读更多...
解码自然语言处理之 Transformers

解码自然语言处理之 Transformers

自 2017 年推出以来&#xff0c;Transformer 已成为机器学习领域的一支重要力量&#xff0c;彻底改变了翻译和自动完成服务的功能。 最近&#xff0c;随着 OpenAI 的 ChatGPT、GPT-4 和 Meta 的 LLama 等大型语言模型的出现&#xff0c;Transformer 的受欢迎程度进一步飙升。这…
阅读更多...
Burstormer论文阅读笔记

Burstormer论文阅读笔记

这是CVPR2023的一篇连拍图像修复和增强的论文&#xff0c;一作是阿联酋的默罕默德 本 扎耶得人工智能大学&#xff0c;二作是旷视科技。这些作者和CVPR2022的一篇BIPNet&#xff0c;同样是做连拍图像修复和增强的&#xff0c;是同一批。也就是说同一个方向&#xff0c;22年中了…
阅读更多...
设计模式：简单工厂模式（C#、JAVA、JavaScript、C++、Python、Go、PHP）：

设计模式：简单工厂模式（C#、JAVA、JavaScript、C++、Python、Go、PHP）：

简介&#xff1a; 简单工厂模式&#xff0c;它提供了一个用于创建对象的接口&#xff0c;但具体创建的对象类型可以在运行时决定。这种模式通常用于创建具有共同接口的对象&#xff0c;并且可以根据客户端代码中的参数或配置来选择要创建的具体对象类型。 在简单工厂模式中&am…
阅读更多...
MySQL --- 聚合查询

MySQL --- 聚合查询

聚合查询相当是行和行之间进行运算。 下文中的所有示例操作都是基于此表&#xff1a; 聚合函数 count(列名) select count(列名) from 表名; 统计该表中该列的行数&#xff0c;但是 null 值不会统计在内&#xff0c;但是如果写为 count(*) null 也会算进去&#xff08;就算…
阅读更多...
轻松完成Figma导入Sketch的在线方法

轻松完成Figma导入Sketch的在线方法

众所周知&#xff0c;Figma支持Sketch文件的导入&#xff0c;但Figma不支持Sketch文件的导出&#xff0c;而Sketch不能直接打开Figma文件&#xff0c;在这种情况下&#xff0c;如何将Figma导入Sketch&#xff1f;别担心&#xff0c;其实借助免费的在线工具即时设计&#xff0c;…
阅读更多...
在 Android 上恢复已删除音乐的 5 种简单方法

在 Android 上恢复已删除音乐的 5 种简单方法

人们经常将重要的音乐文件保存在智能手机上&#xff0c;以方便随时随地收听自己喜欢的曲目。但是&#xff0c;如果这些珍贵的音乐文件因软件故障或硬件故障而被意外删除或丢失怎么办&#xff1f;这将是许多音乐爱好者的噩梦&#xff01; 如果您也是这些人中的一员&#xff0c;…
阅读更多...
stm32备份

stm32备份

存储器的分类&#xff1a; 存储器首先根据断电后存储的数据是否会丢失&#xff0c;可以分为易失存储器和非易失存储器&#xff0c;易失存储器主要应用于内存&#xff0c;非易失存储器主要用于外存。 易失存储器以RAM随机存储器为代表&#xff0c;随机的含义是存储器中的数据读取…
阅读更多...
SRS Config 一 基础配置

SRS Config 一 基础配置

Config srs 流媒体服务配置官方文档已经很详细了&#xff0c;本文仅记录部分配置过程 srs.conf同级目录下 新建 self.conf 仿照srs.conf 添加基础配置 1 rtmp RTMP是直播的事实标准&#xff0c;这么多年以来一直是使用最广泛的直播协议。 然而Adobe公司没有一直更新RTMP协…
阅读更多...
icg模块clock gating解析

icg模块clock gating解析

// 两种形式&#xff1a; 与门形式 或门形式 三个用途&#xff1a; 用于关断时钟&#xff0c;降低功耗用于动态时钟切换是防止毛刺的产生用于时钟分频 解析&#xff1a;与门形式 解析&#xff1a;或门形式
阅读更多...
win11 搭建Apache webdav 设置用户名密码 加密授权访问以及多个不同目录访问

win11 搭建Apache webdav 设置用户名密码 加密授权访问以及多个不同目录访问

Apache webdav 的搭建应该比较简单，但是搭建后还遇到了一些问题，也就是设置了访问用户名密码，咋就不生效呢，苦苦思索两日，终于发现了问题，本文就是分两个方面来编写 一、搭建 1.下载Apache 官网下载： https://www.apachehaus.com/cgi-bin/download.plx 2.下载后解压…
阅读更多...
Kubernetes 集群部署 Prometheus 和 Grafana

Kubernetes 集群部署 Prometheus 和 Grafana

Kubernetes 集群部署 Prometheus 和 Grafana 文章目录 Kubernetes 集群部署 Prometheus 和 Grafana一.部署 node-exporter1.node-exporter 安装2.部署 node-exporter 二.部署Prometheus1.Prometheus 安装和配置&#xff08;1&#xff09;创建 sa 账号&#xff0c;对 sa 做 rbac…
阅读更多...
Flow深入浅出系列之更聪明的分享 Kotlin Flows

Flow深入浅出系列之更聪明的分享 Kotlin Flows

Flow深入浅出系列之在ViewModels中使用Kotlin FlowsFlow深入浅出系列之更聪明的分享 Kotlin FlowsFlow深入浅出系列之使用Kotlin Flow自动刷新Android数据的策略 Flow深入浅出系列之更聪明的分享 Kotlin Flows 使生命周期对上游流有效&#xff0c;以跳过不必要的工作。这是一…
阅读更多...
mmlab 做实验

mmlab 做实验

首先 下载项目完整代码&#xff0c;在pycharm中打开 1. comfig 中有各种网络模型&#xff0c;可以直接使用训练好的预训练模型&#xff0c;尽量不要改动网络模型的结构 2. 18表示网络机构18层&#xff0c;8是每个卡的batch&#xff0c;cifar10 是数据集 3.配置文件解析 4. …
阅读更多...
解决github打开慢的问题

解决github打开慢的问题

1&#xff0c;修改hosts&#xff08;可以从这个链接 https://raw.hellogithub.com/hosts 获取对应的host配置&#xff09;。 140.82.112.3 github.com 151.101.1.194 github.global.ssl.fastly.net 2&#xff0c;刷新dns缓存。 # 打开CMD运行如下命令 ipconfig /flushdns 之…
阅读更多...
【unity】【VR】白马VR课堂系列-VR开发核心基础04-主体设置-XR Rig的引入和设置

【unity】【VR】白马VR课堂系列-VR开发核心基础04-主体设置-XR Rig的引入和设置

接下来我们开始引入并构建XR Rig。 你可以将XR Rig理解为玩家在VR世界中的替身。 我们先删除Main Camera&#xff0c;在Hierarchy右键点击删除。 然后再在场景层右键选择XR下的XR Origin。这时一个XR Origin对象就被添加到了Hierarchy。 重设XR Origin的Position和Rotation…
阅读更多...
windows内网渗透正向代理

windows内网渗透正向代理

内网渗透正向代理 文章目录 内网渗透正向代理1 正向代理图2 环境准备2.1 正向代理需求&#xff1a; 3 网卡配置3.1 【redream】主机3.2 【base】主机双网卡3.3 【yvkong】网卡设置 4 启动4.1【redream】网卡配置&#xff1a;4.2【base】网卡配置&#xff1a;4.3【yvkong】网卡地…
阅读更多...
配置VScode开发环境-CUDA编程

配置VScode开发环境-CUDA编程

如果觉得本篇文章对您的学习起到帮助作用&#xff0c;请 点赞 关注 评论 &#xff0c;留下您的足迹&#x1f4aa;&#x1f4aa;&#x1f4aa; 本文主要介绍VScode下的CUDA编程配置&#xff0c;因此记录以备日后查看&#xff0c;同时&#xff0c;如果能够帮助到更多人&#xf…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023