课程笔记-三维点云处理03 ——Clustering聚类

最新推荐文章于 2024-04-25 18:08:09 发布
最新推荐文章于 2024-04-25 18:08:09 发布
阅读量1.3k 收藏 12
点赞数 1
分类专栏： 课程笔记 文章标签： 聚类 深度学习 自动驾驶
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jason_____wang/article/details/114907862
版权

课程笔记-三维点云处理03 ——Clustering聚类

本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记
课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！

本文主要为课程第三章的笔记！

课程链接：

三维点云处理——深蓝学院

目录

正式内容:
####################################################

Math prerequisite

聚类定义

在这里插入图片描述
聚类就是一种按一定特征分类的问题：
在这里插入图片描述
上图为五种常见的python交互算法

方法的背后有很多的数学原理
线性代数、高等数学、概率论等一些数学基础都会被用到
在这里插入图片描述

线性代数方面
  1. 谱定理（之前课上有讲过）
    在这里插入图片描述
  2. 瑞丽熵在这里插入图片描述
    上面两个定理都非常的重要，在谱聚类的时候会用到。
概率论方面
  1. 联合概率 离散、连续都需要讨论

在这里插入图片描述
2. 边缘分布 marginalization
一个联合概率的 heatmap

在这里插入图片描述
离散的情况：
在这里插入图片描述
3. 条件概率
联合概率不关心另一个参数，而条件概率需要知道参数，只考虑这一条线就好了 而联合概率是一整条线的分布
条件概率并不是一个合法的分布，但是可以通过一个归一化进行分布

在这里插入图片描述
条件概率并不是一个合法的分布，但是可以通过一个归一化进行分布，即贝叶斯公式
在这里插入图片描述
进一步 贝叶斯公式可以被拓展成四种公式。
在这里插入图片描述
4. 图论相关知识

在这里插入图片描述
有向图：即两个参数是有联系的（有相关性）就可以以有向图的形式表示
如果两个事件独立，则无法用有向图表示

  • 需要记住公式 p（x，z） =p（z）p（x|z） 以及右边的两节点的有向图 后续会用到

在这里插入图片描述
无向图： 各个参数之间只有联通关系而没有因

最低0.47元/天 解锁文章
Jason_____Wang
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
3D点云--聚类
weixin_44275495的博客
04-19 4998
系列文章目录 接着上一期的最近邻搜索，搜索结束后怎么利用这些点进行分类分割呢？这就是这一讲的内容--聚类（Clustering） 文章目录系列文章目录一、K-Means二、使用步骤1.引入库2.读入数据总结 本章内容介绍一下聚类，主要介绍K-Means、GMM、EM、Spectral Clustering这四种方法。 一、K-Means K-Means的核心思想：在一群狗里有一只猫，所以猫是一类，狗是一类。即：某个点属于哪一类。 K-Means算法已知N个点{x1，x2，…，xn}，与K个
三维点云处理之地面剔除 + 聚类
LDST_CSDN的博客
04-26 1065
给你一堆二维平面点，以及k个固定的圆，如何放置圆，使里面包含的点数最多？：初始时，将一固定大小的圆放在二维平面点的任意位置上，然后计算圆内所有点的平均位置，并以此作为新的圆心，移动原始固定圆到新位置处，以此类推，直到圆不再挪动为止，此时的圆内包含的点数最多。OT⋅n⋅logn​T为最终圆的个数，n为点的总数，对于每个点，若以kd-tree/octree进行最近邻搜索，那么复杂度为logn优点：可自动确定聚类的类别数；只有一个未知参数（半径r）；对噪声比较鲁棒。
深蓝学院-----3D点云课程第一章笔记
weixin_47343723的博客
08-06 917
深蓝学院点云学习
三维点云处理-聚类（上）
weixin_49401384的博客
04-25 994
给定样本集x1x2xnx1​x2​...xn​xn∈RDxn​∈RD聚类中心μkk12...Kμk​k12...Kμk\mu_kμk​表示第 k 个聚类的中心二分变量rnk∈01rnk​∈01rnkr_{nk}rnk​表示 当xnx_nxn​属于第kik_iki​个类别时，rnk1r_{nk}=1rnk​1，否则为 0利用损失函数优化目标J∑n。
dbscan.zip_dbscan点云_三维 聚类_三维dbscan聚类_三维点云聚类_点云
07-14
利用该程序可以实现大数据下的三维点云及二维数据的密度聚类，并对聚类后的结果进行准确提取
Udacity机器人软件工程师课程笔记（二十一) - 对点云进行集群可视化 - 聚类的分割 - K-means|K均值聚类, DBSCAN算法
Stan_Fu的博客
12-16 1172
聚类的分割 1.K-均值聚类 （1）K-均值聚类介绍 k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。 聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个...
python-clustering-exercises：Jupyter Notebook练习，用于使用Python 3和scikit-learn进行k均值聚类
02-03
- 可视化：利用matplotlib或seaborn库，绘制二维或三维散点图，展示数据分布和聚类结果。 - 调整参数：研究不同初始化方法（如k-means++）以及超参数（如最大迭代次数）对结果的影响。 - 应用场景：学习如何将k均值...
clustering-exercises:聚类练习
03-26
6. **可视化聚类结果**：使用二维或三维散点图可以直观地展示聚类结果，例如用`matplotlib`或`seaborn`库进行绘图。对于高维数据，可以使用降维技术如主成分分析(PCA)或t-SNE来可视化。 7. **实际应用**：聚类在...
《统计学习方法》笔记-基于Python算法实现.zip
02-21
7. t-SNE（t分布随机邻居嵌入）：用于高维数据的可视化，将高维空间的点映射到二维或三维空间，保持局部结构。 四、Python代码实践 笔记中的"kwan1117"可能是一个文件夹或者脚本，包含了上述算法的实现代码。读者...
64.人脸识别经典算法三：Fisherface（LDA） - 笔记 - CSDN博客1
08-03
《人脸识别经典算法三：Fisherface（LDA）解析》 人脸识别技术是计算机视觉领域中的一个重要分支，Fisherface作为其中的一种经典算法，基于LDA（线性判别分析）理论，旨在通过降维处理来优化特征提取，提高人脸识别...
加速属性网络嵌入——中南大学彭汪祺--论文研读笔记21
08-04
【网络嵌入】是当前大数据分析领域中的一个重要技术，它旨在将复杂的网络结构转化为低维向量表示，以便于后续的分析任务，如节点分类、链接预测和网络聚类等。传统的网络嵌入方法主要关注网络的拓扑结构，但忽略了...
针对三维点云的Mean Shift聚类算法(Matlab版)
05-18
针对点云数据进行Mean shift聚类，可以通过调整聚类算法的阈值以及搜索半径，来达到不同的聚类效果，内附有示例,运行test.m即可。
改进的基于划分算法的三维点云聚类matlab实现
07-25
根据网上基于划分法k-means的聚类算法，我做了改进。可以预设一个最大的类数和一个半径，自动划分合适的类。最终将随机三维点云聚类完成后显示为不同颜色。
第三十一课.矩阵胶囊与EM路由
白景屹的博客
07-30 762
矩阵胶囊的前向计算 矩阵胶囊在向量胶囊的基础上改变了胶囊的表示方式，矩阵胶囊由激活概率与姿态矩阵两部分构成一个元组单位。激活概率用于表示矩阵胶囊被激活的概率，姿态矩阵用于表示胶囊的姿态信息。在向量胶囊的前向计算中，动态路由被视为胶囊元的非线性激活函数，对于矩阵胶囊，胶囊元的前向计算采用EM路由作为非线性激活函数，EM路由是根据EM算法中Estep和Mstep组成的参数估计方法。矩阵胶囊元的前向计算过程如图。对于胶囊元jjj，输入多个低层矩阵胶囊，经过EM路由输出一个矩阵胶囊。其中，低层胶囊的姿态矩阵需要经过
【自动驾驶】使用同心区域模型改进地面点云快速分割算法
小哈里的博客
11-01 1337
实现结果在SemanticKITTI和粗糙地形数据集上进行了验证，与最先进的方法相比，我们提出的方法具有良好的性能，在最靠近车的Z1，利用传感器高度来决定初始点，越离车远，传感器高度值要乘以一个系数。然后在区域内进行平面拟合，来估计每个bin的地面。最后，通过垂直度、高度、平整度三个特征，来进行二分类，使得所有的bin集合成整个路面。，距离原点越近区域面积越小，文章利用min和max值和特定公式进行分区。然后，每个区域找地面，然后地面再拼接在一起。2、提取程序1中的分割部分，与程序3融合。
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
PointNet++点云处理TensorFlow版
08-29
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。  本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
基于朴素贝叶斯算法的激光雷达点云分类
晚来天欲雪，能饮一杯无？
01-07 2049
采用朴素贝叶斯算法对雷达点云数据进行分类，先构建kd树对点云领域进行搜寻，后提取点云的法向量、残差、主成分及高程差作为朴素贝叶斯算法的参数，运行程序可得到分类结果图。
三维点云学习（3）4-Expectation-Maximization (EM)
Sun的博客
02-21 151
三维点云学习（3）4-Expectation-Maximization (EM) EM算法的概述 EM算法中的M-step不断优化Q函数 使用两种方法推导出GMM 1.最大似然法 2.EM算法 K-Means GMM EM 关系 K-Means是特殊的GMM K-Measn的方差接近·为0 EM是通用的优化方法 GMM是基于线性高斯模型的EM算法 K-Means 与 GMM比较 缺点： 1.个个方向的方差一样，认为各个类都是一个圆或者球 2.需要提供K 3.对噪声比较敏感，可以使用k中值进行缓解
Python折线图画点
最新发布
05-20
Python提供了许多绘制折线图的库，其中比较常用的是matplotlib库。以下是一个简单的示例代码，展示如何使用matplotlib绘制折线图并标注点： ```python import matplotlib.pyplot as plt # 数据 x = [1, 2, 3, 4, 5] y = [1, 4, 9, 16, 25] # 绘制折线图 plt.plot(x, y, '-o') # 标注点 for i in range(len(x)): plt.text(x[i], y[i], f"({x[i]}, {y[i]})") # 设置横纵坐标标签 plt.xlabel('x') plt.ylabel('y') # 显示图像 plt.show() ``` 这段代码首先创建了两个列表`x`和`y`作为折线图的横纵坐标，然后使用`plt.plot()`函数绘制了折线图。其中参数`'-'`表示使用实线连接点，参数`'o'`表示在点上绘制圆形。接着使用一个循环遍历所有的点，并使用`plt.text()`函数在每个点上方标注坐标信息。最后，通过`plt.xlabel()`和`plt.ylabel()`设置横纵坐标的标签，通过`plt.show()`显示图像。 如果您需要更加复杂的折线图，可以在matplotlib库中查找更多相关函数和参数的信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值