新闻详情

新闻详情

首页 / 资讯中心 / 详情

pcl::PointCloud 各种添加点云方法的速度对比

发布时间:2026/11/1 8:04:39来源:尧图网络
pcl::PointCloud 各种添加点云方法的速度对比
pcl::PointCloud 官方提供了一个添加点云的函数接口push_back()但是实际中经常看到有人先调用resize()函数再逐个进行赋值理由是这样更快。本文对两种方法的速度进行对比。首先详细介绍一下输入数据和这两种方法1. 输入数据本文中输出数据是随机生成的这不影响后续的速度测试先把这些数据存储在一个pcl::PointCloud中。#include pcl/point_cloud.h #include pcl/point_types.h #include ctime #include cstdlib #include chrono pcl::PointCloudpcl::PointXYZ cloud; // Fill in the cloud data cloud.width 10000000; cloud.height 1; cloud.is_dense false; cloud.points.resize (cloud.width * cloud.height); for (size_t i 0; i cloud.points.size (); i) { cloud.points[i].x 1024 * rand () / (RAND_MAX 1.0f); cloud.points[i].y 1024 * rand () / (RAND_MAX 1.0f); cloud.points[i].z 1024 * rand () / (RAND_MAX 1.0f); }2. 先调用resize()再逐个赋值pcl::PointCloudpcl::PointXYZ cloud_1; cloud_1.width cloud.width; cloud_1.height cloud.height; cloud_1.is_dense cloud.is_dense; cloud_1.points.resize(cloud.width * cloud.height); for (size_t i 0; i cloud.points.size(); i) { cloud_1.points[i].x cloud.points[i].x; cloud_1.points[i].y cloud.points[i].y; cloud_1.points[i].z cloud.points[i].z; }3. 调用官方接口push_back()注意这里面在调用push_back()之前先调用了reserve()这样才能大幅减少该方法的时间开销。pcl::PointCloudpcl::PointXYZ cloud_2; cloud_2.points.reserve(cloud.points.size()); for (size_t i 0; i cloud.points.size(); i) { cloud_2.push_back(cloud.points[i]); }4. 时间开销对比下面是其中一次测试的结果Duration 1: 0.0543553sDuration 2: 0.0487025s如果在调用官方接口push_back()之前不再用reserve()则结果为Duration 1: 0.0543018sDuration 2: 0.132413s可以看到其开销明显上升。4. 结论多次测试显示使用官方的push_back接口并不慢前提是调用reserve()函数。所以完全没有必要自己resize()再赋值。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/1 1:42:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/1 2:34:07

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/1 2:01:57

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/1 3:13:10

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/1 2:11:52

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/1 3:23:38

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉