基本的维度变换操作函数包含了改变视图 reshape 操作、插入新维度 expand_dims 操 作、删除维度 squeeze 操作、交换维度 transpose 操作、复制数据 tile 操作等，下面将一一 介绍。 4.7.1 改变视图 在介绍改变视图 reshape 操作之前，先来认识一下张量的存储(Storage)和视图(View)的 概念。张量的视图就是人们理解张量的方式，比如 个样本，每个样本的特征是长度为 24 的向量。同一个存储，从不 同的角度观察数据，可以产生不同的视图，这就是存储与视图的关系。视图的产生是非常 灵活的，但需要人为保证是合理且合法的。 我们通过 torch.arange()模拟生成一个向量数据，并通过 torch.reshape()视图改变函数产 生不同的视图，例如： In [67]: x=torch.arange(96) # 生成向量 生成向量 x=torch.reshape(x,[2,3,4,4]) # 改变 x 的视图，获得 4D 张量，存储并未改变 Out[67]: # 可以观察到数据仍然是 0~95 的顺序，可见数据并未改变，改变的是数据的结构 tensor([[[[ 0, 1, 2, 3], [ 4, 5, 6, 7],… [88, 89, 90, 91]

���� �� ������ �� �� �� �� �� ������ ������ ����� ���� ���� ������ ���� ���� ���� ���� ���� 视频结构化视图 视频的时序关联性 视频的阶段性

2015-2017 l单机、简易分布式人脸检测、跟踪、比对平台 l处理数十路到数百路监控摄像头数据 l千万级别深度学习特征检索 l行业试水 2018-2019 l云原生Cloud-Native超大规模视图存储、处理、检 索 l处理数万到数十万路，城市范围级别监控、门禁摄 像头数据 l10-100 Billion级别深度学习特征检索 - PB以上级别数据库存储 - 100PB级别抓拍图片存储

• 双目摄像头 • 多目摄像头 • 其它辅助传感器 • 廉价IMU、GPS • 深度传感器 • 优势 • 硬件成本低廉 • 小范围内定位精度较高 • 无需预先布置场景 基本原理：多视图几何 投影函数 主要模块 • 特征跟踪 • 获得一堆特征点轨迹 • 相机姿态恢复与场景三维结构恢复 • 求解相机参数和三维点云 • 如何处理循环回路序列和多视频序列？ • 如何高效高精度地处理大尺度场景？