你的私人 AI 助手。全系统兼容，全平台覆盖。这就是 OpenClaw 之道。🦞
Python programming assignments for Machine Learning by Prof. Andrew Ng in Coursera
1. University-1652 数据集配套代码（跨域图像检索） 核心特点：针对 “卫星地图→校园航拍 / 无人机图像” 的跨域检索，提供基于 CNN 的特征提取与匹配代码，支持端到端训练； 适用场景：园区、校园等结构化场景的卫星 - 无人机匹配定位； 关键优势：含 1652 个校园的卫星 - 航拍配对数据，配套 ResNet/VGG 特征提取代码，可直接迁移到无人机场景。
2. Lift-Splat-Shoot（BEV 特征提取经典框架） 核心特点：将多视角图像（无人机多帧）lift 到 3D 空间，再 splat 为 BEV 特征图，可直接与卫星 BEV 图像匹配； 适用场景：无人机多视角拼接后与卫星图像的 BEV 匹配； 关键优势：轻量级实现，支持实时 BEV 特征生成，适配无人机嵌入式平台。
1. BEVLoc（Bird's-Eye View Localization，卡内基梅隆大学） 特点：专门针对 “无人机 FPV/卫星 BEV” 的跨视角定位，通过对抗学习生成 BEV 特征图,再与卫星图像匹配，适配森林、城市等语义稀疏场景 无人机低空贴地飞行时与卫星图像的匹配定位 优势：配套论文开源了完整训练 / 推理代码，提供 SimForest 数据集（模拟森林场景的无人机 -卫星配对数据）
3. D2Net（Dense Depth-Normal Network，密集深度特征匹配） 核心特点：提取密集的多尺度深度特征，支持跨视角图像的稠密匹配，可结合卫星图像的深度先验优化匹配； 适用场景：需稠密匹配的卫星 - 无人机场景（如地形测绘、三维重建辅助定位）； 优势：提供卫星图像预训练权重，支持与无人机图像的深度特征对齐。
2. LoFTR（Local Feature Transformer无关键点的密集匹配） 基于Transformer的密集匹配框架,无需检测特征点,直接通过自注意力对齐跨视角图像的像素级特征,对卫星/无人机的视角差异如 90° 俯视 vs45° 倾斜鲁棒性极强;低纹理\大视角差的卫星 无人机匹配如沙漠/水面区域 匹配精度远超传统 SIFT/ORB
1. SuperGlue + SuperPoint（经典稀疏特征匹配） 特点：基于深度学习的特征点检测（SuperPoint）+ 图匹配网络（SuperGlue）对跨视角、尺度变化鲁棒，可直接用于卫星-无人机图像的特征匹配； 卫星俯视与无人机倾斜视角的特征点匹配，支持低纹理区域农田、稀疏建筑 优势：预训练模型直接可用，搭配 RANSAC 后可输出高精度匹配对，适合快速集成到卫星 - 无人机匹配流程
