Paper——Real-Time Visual Odometry from Dense RGB-D Images
这次带来的一篇文章是一个视觉里程计，针对RGBD的dense Visual Odometry：Real-Time Visual Odometry from Dense RGB-D Images，是一个非常经典的算法，现在依然被广泛使用着。
踩过的坑——ROS多机通信与节点重命名
项目需要拓展到多相机协同重建，需要借助C/S模型通信。而使用ROS是非常好的选择。最近借助之前学得ros的知识，代码部分拓展得差不多了，再拓展到多个机器的过程中，出现了通信与节点名字冲突的问题，解决方法也不难，就在这里记录一下。
踩过的坑——记录一次开机黑屏
之前在安装显卡驱动时候，需要关闭桌面服务，按ctrl+alt+F1，进入命令模式后，输入service lightdm stop，接着桌面服务就关闭了，等了一会也没什么反应，我以为电脑死机了就点击了重启，接下来就坏事了，桌面就再也没回来…
ROS——Client Library(含代码实例)
为了更好的使用ROS编程，ROS提供了Client Library，也就是一个编程库，可以用来建立node，发布消息，调用服务等等。其中有cpp版本的roscpp，python版本的rospy，还有lisp版本的roslisp，但是显然我们用的最多的是cpp与python版本。这里会编写一些简单的通信实例，以得到更好的学习效果。
ROS——基本介绍
ROS是Robot os，也就是机器人操作系统。目前我们看到的很多机器人，比如波士顿动力，还有很多slam中，都用到了ros。早在大四的时候我在电脑上试图跑CHISEL的时候就看到了ros，当时觉得真是复杂。后来到了现在发现还是得啃。复杂只是因为不了解，任何好用的工具，都是尝试再把事情变得简单。
ROS——通信构架
Node之间的通信，是ROS的最重要的部分。这一篇文章介绍一下ROS的通信相关内容。
算法导论——分治策略
之前在排序的时候我们提到了归并排序，使用了分治法。实际上分治法的应用非常多，这篇文章主要介绍分治策略的分析以及一些使用分治策略的算法。
算法导论——函数的增长
上次提到的增长量级简单的说明了算法的效率，而且还使用了一个符号$\Theta$。这次给出这个符号更精确的定义。在数学上，运行时间随着数据量增长的规律可以看为一个函数，因此这篇文章主要从更全局泛化的谈谈函数的增长。
算法导论——算法基础
算法导论在学习计算机专业的人心中一直是圣经般的存在。虽然我也阅读过一些数据结构与算法相关的书，但是一直没有机会阅读算法导论。这次当当买书半价，我就下单了算法导论。有可能又会放在书架上当作收藏，但是还是开一个坑，希望能抽时间阅读完这本书，并记录自己的学习过程。
ROS——基本介绍
我自己用过不少语言，cpp，java，python，html，ccs，javascript都接触过，系统学过java，cpp，也用过cpp，python和java编写过一些项目。但是呢，语言学过了都会忘记，但是过去写的代码不是毫无帮助，再次上手会非常容易。记录，就是记录一下最近用到的，之前学过但是忘记了的东西。
压缩感知与稀疏模型——PGD,APG,ALM的实现
这是一个对于之前介绍的proximal gradient descent，accelerated proximal gradient以及augmented Lagrange multipler算法的实现与对比。
压缩感知与稀疏模型——Augmented Lagrange Multipler(ALM)
这个博客将介绍ALM，介绍一个用来解决一个等式限制的问题的框架。
踩过的坑——OpenNI读取多个xtion的输入
最近项目需要将单个相机拓展到多个相机阵列，使用的相机是xtion，因此首先要做的一步就是将多个相机的输入都能读取到。
压缩感知与稀疏模型——Proximal Gradient
实际上这节课讲的内容也比较多，对应的是convex optimization，这里主要介绍一下lasso回归以及对应使用的Proximal Gradient Decent（PGD）。
压缩感知与稀疏模型——Convex Methods for Sparse Signal Recovery
第三节课的内容。这节课上课到半截困了睡着了，看着大家都很积极请教认真听讲，感觉很惭愧。周末不能熬太晚。这个博客就记录一下醒着时候听到的内容。
压缩感知与稀疏模型——Sparse Signal Model
这篇博客介绍第二节课的一些内容。虽然第二章题目是Sparse Signal Model，但是这篇博客还介绍了很多高维下的内容，因此内容是比较杂的。不过这个也就是上课内容的记录，而不是完全按照博客题目分的。
压缩感知与稀疏模型——Introduction
暑期课程开始了，这个暑假选了大名鼎鼎的马毅老师的课：压缩感知与稀疏模型。不过马老师在深圳呆的时间只有一周，因此这个课对于压缩感知理论的介绍不会面面俱到，希望能建立一个框架出来，而对日后工作学习有所启发。
Paper——Image Super-Resolution as Sparse Representation of Raw Image Patches
这次阅读一篇关于超分辨的论文。这篇文章的作者里有马毅老师，他是伯克利的老师，也是TBSI的老师，是非常有威望的一名学者。这篇文章在超分辨领域是比较经典的文章了。
Paper——Single Image Haze Removal Using Dark Channel Prior
学习数字图像处理的时候阅读了这一篇关于去雾的文章：Single Image Haze Removal Using Dark Channel Prior。这篇文章是大名鼎鼎的何凯明的第一篇文章，而且还获得了CVPR best paper award，非常令人佩服了。