nanobind
pybind11
Boost.Python
nanobind
Cmake
Cmake命令
cmake -S . -B build/ -DCMAKE_INSTALL_PREFIX=<your-prefix> # prefix can be e.g. $CONDA_PREFIX
cd build/
cmake --build . --target install
-B 指定构建的项目文件所在的目录
cmake --build . 这里的 . 表示当前目录，即构建目录。CMake 会调用默认的构建工具（如 make 或 ninja）来编译项目。
cmake --build 是一个强大的工具，它简化了编译过程并提供了与构建系统的深度集成
--target <Target>：指定构建特定的目标（如可执行文件或库
学术背景
瑞士的苏黎世联邦理工学院（ETH Zurich）和洛桑联邦理工学院（EPFL）
苏黎世大学：在U.S. News排名中位列全球第60位，法学、经济学是其传统强项。
日内瓦大学：ARWU排名全球第58位，国际关系、天体物理等学科具有国际影响力。
巴塞尔大学：以生命科学和化学研究闻名，QS排名全球第131位。
伯尔尼大学：THE排名全球第104位，在环境科学与医学领域成果显著
瑞士理工教育的双子星
洛桑联邦理工学院 EPFL
苏黎世联邦理工学院
数据大小
800M 图像约 1~2M JPEG格式下，8M像素的图像文件大小通常在1-3MB之间，而未压缩的原始图像可能达到数十MB
800万像素对应的分辨率最常见的是 3840×2160，这是4K分辨率的标准。
横向像素数乘以纵向像素数等于8,294,400像素，约等于800万像素
此外，800万像素的图片分辨率还可能是3264×2448（4:3比例）
200M 图像约 0.5M
分辨率 1920x1280
18万点的点云 2M-4M
AT128
120°水平视场角 平角分辨率为0.1°， 单帧 120/0.1*128=153600
视场角 (FOV)：垂直视场角为 30° (-15° ~ +15°) 垂直角分辨率为0.2°
每秒大概在6250个点云包左右（单回波，10Hz 一帧625个包，平均每个包245~246个点
FFFFFF 4+4+4++4+8=24个Byte 字节 24*153600/1024/1024=3.5MB
1字节（Byte）= 8比特（bit）。
1千字节（KB）= 1024字节（B）。
1兆字节（MB）= 1024 KB = 1,048,576字节（B）
自监督
在智能大数据时代，减少数据标注这一费力且成本高昂的过程至关重要。因此，有效利用海量未标注数据已成为研究人员关注的重点领域。
在这里，自我监督学习，即不依赖人工提供的注释从数据中学习视觉特征，为这一挑战提供了有效的解决方案
自监督学习是无监督学习的一种，其核心是设计一种代理任务，该任务仅使用数据本身的属性，不使用人工标注，从而为数据赋予虚假标签
即基于图像的生成、基于上下文的预测、图像分割和图像变换。
尤其是利用生成对抗网络 (GAN) 的生成模型，属于自监督学习的范畴
聚类算法已广泛应用于基于上下文相似性的代理自监督学习任务中
时间序列
进行数据分析来识别和消除异常（又称离群值），以确保系统可靠性
时间序列异常检测（TSAD）
CARLA: Self-supervised contrastive representation learning for time series anomaly detection
time series anomaly detection (TSAD)
从未标注数据集中学习数据的正常行为，因此可能会将偏离正常行为的样本预测为异常
利用自监督对比表示学习。对比学习需要训练一个模型来区分数据集中相似和不相似的样本对
https://github.com/zamanzadeh/CARLA
参考
https://github.com/wjakob/nanobind
https://nanobind.readthedocs.io/en/latest/why.html
https://nanobind.readthedocs.io/en/latest/building.html
https://www.cnblogs.com/kin-zhang/p/17834470.html
https://github.com/KTH-RPL/dztimer
https://github.com/Kin-Zhang
https://github.com/Simple-Robotics/nanoeigenpy
浙公网安备 33010602011771号