kNN算法原理与python实现 博客地址：https://blog.csdn.net/Albert201605?type=bl下载

kNN算法原理与python实现 博客地址：https://blog.csdn.net/Albert201605?type=bl

### Python实现在Python中，实现kNN算法主要使用`sklearn`库中的`KNeighborsClassifier`类。

【点云训练】RandLA-Net Semantic3D

本文详细记录了在Ubuntu18.04环境下部署RandLA-Net的全过程，包括编译C++代码、数据预处理、训练模型时遇到的问题及解决方案，如权限设置、资源优化等，特别关注于GCC/G++多版本安装、解决动态链接库缺失错误及Python C/C++扩展的实现。

C++图形识别实战：从HOG+SVM到ORB特征匹配的算法实现

本文系统讲解基于C++和OpenCV的图形识别算法实现，重点涵盖HOG特征提取与SVM分类器构建的行人检测流程，以及ORB特征点检测、汉明距离匹配、Lowe比率测试和RANSAC单应性验证的物体识别方法。内容包含环境配置（MinGW/CMake/OpenCV编译）、多尺度滑动窗口、性能优化及传统方法向轻量级CNN部署的迁移路径，强调算法原理、工程实践与调试技巧。

传统目标跟踪——背景分割法

本文介绍了OpenCV中的背景分割算法，包括传统的GrabCut和分水岭算法，以及现代的KNN、MOG2等机器学习方法。通过BackgroundSubtractor类，可以实现对视频帧的背景学习和前景提取。以KNN为例，展示了如何应用背景分割，并提供了相应的Python代码示例，用于检测和显示运动目标。然而，实际效果可能不尽如人意，存在鲁棒性问题。

RandLA-Net 调通代码2：Windows 11 + Tensorflow 2.4 + Semantic KITTI数据集

本文档详细记录了在Windows 11环境下，使用Tensorflow 2.4进行RandLA-Net的配置过程，包括克隆代码、安装依赖、解决Tensorflow版本兼容性问题、处理Semantic KITTI数据集、训练和测试模型，以及结果可视化的方法。主要涉及的工具有：Tensorflow 2.4、CUDA 11.0、cudnn 8.0以及相关库的安装。