三维点云学习（4）1- Spectral的理论推导与解释

最新推荐文章于 2021-06-13 00:16:45 发布
最新推荐文章于 2021-06-13 00:16:45 发布
阅读量221 收藏 2
点赞数
分类专栏： 点云处理 深蓝点云处理课程笔记 文章标签： 聚类 算法
原文链接：https://blog.csdn.net/weixin_41281151/article/details/107473964
版权

三维点云学习（4）1- Spectral的理论推导与解释

回顾谱聚类的步骤

在这里插入图片描述

Graph Cut

RatioCut -> Unnormalized
Ncut->Normalized
在这里插入图片描述

Min-Cut

进行聚类切割的过程可看作，将Wij(两点之间的关系权重)最小化
多个类时切割时可看作 cut A和A的反集
在这里插入图片描述

Min-Cut constrain

描述一个分区的大小
1.|A| 衡量每个节点中点的数量 -》对应与 RatioCut
2.vol(A)描述A的权重大小,一个分区里所有的边的权重之和 NormalizedCut
在这里插入图片描述
也就是说：
Unnormalized 偏向于每个类中点的数量均衡
normalized 偏向于每个类中权重均衡
在这里插入图片描述

Laplacian matrix 的直观理解

不管点与点之间的关系怎么样，总有一个特征值为0

当出现如下图所示两个特征值为0时，代表有两个连通域，也可以理解为可以直接分为两大类点
对应的特征向量也能很直观表现点之间的关系
在这里插入图片描述
当出现下图的情况时：
特征值为0的数量代表了独立分区的数量（1个）
根据第二个特征向量点的政府可以做切割
在这里插入图片描述

证明

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
下图1：只有一个连通域，拉普拉斯特征值为0只有一个，并且特征向量为常数向量
下图2：有两个连通域，拉普拉斯特征值为0有两个，并且特征向量表征点之间的关系
在这里插入图片描述

证明有多少个连通域就有多少个特征向量

存在当fi = fj时，存在特征向量为0
在这里插入图片描述
在这里插入图片描述

RatioCut for K=2

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

谱聚类的两种理解含义

1.图切割理解 a.尽可能把切割的权重Wij降低；b.切割的部分不能太细
2.将维运算理解，由原来的NN矩阵降为NK矩阵
在这里插入图片描述

复杂度，优劣

在这里插入图片描述

selfDisciplineSun
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python三维点云投影（二）
叶子的博客
04-12 9437
python点云投影样例。
class中的点云填充问题
UAreSuchAJenius的博客
07-12 179
class内部点云填充问题
课程笔记-三维点云处理04 ——Model Fitting
Jason_____Wang的博客
03-22 1188
课程笔记-三维点云处理04 ——Model Fitting 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！！ 本文主要为课程第四章的笔记！ 课程链接： 三维点云处理——深蓝学院 正式内容: #################################################### Cours ...
大三小学期进阶课程第三十二课：感知算法
君陌的博客
08-01 4389
第32课、感知算法 点云感知 (1)点云障碍物感知的主要任务是感知障碍物的位置、大小、类别、朝向、轨迹、速度等。核心是点云检测分割技术，可以用启发式算法NCut和深度学习算法CNNSeg完成。 启发式方法：Ncut (1)Ncut算法的基本思想是基于空间平滑性假设，即空间上接近的点来自同一个障碍物。首先，利用地图信息对点云进行预处理，例如去掉感兴趣区域之外的点云，降低点云图的复杂度。然后根据预处理后的点云构建加权图G=(V, E, W)，将点云分割转换为图分割的问题，可以利用图聚类的算法求解，最终求解的
Spectral Clustering Algorithm
浴血重生-学习空间
12-14 2574
1. 什么叫Spectral Algorithm广义上来说，任何在算法中用到SVD/特征值分解的，都叫Spectral Algorithm。从很老很老的PCA/LDA，到比较近的Spectral Embedding/Clustering，都属于这类。 2. 为什么要用SVD/特征值分解其实并不是为用而用，而是不得不用。目前在研究领域碰到的很多基础问题都是NP-hard的，找一个比较好的近似算法要费很
Spectral Normalization谱归一化的理解
qq_26136211的博客
04-10 2821
前置知识之—— 利普希茨连续（Lipschitz continuous） Lipschitz连续，要求函数图像的曲线上任意两点连线的斜率一致有界，就是任意的斜率都小于同一个常数，这个常数就是Lipschitz常数。 从局部看：我们可以取两个充分接近的点，如果这个时候斜率的极限存在的话，这个斜率的极限就是这个点的导数。也就是说函数可导，又是Lipschitz连续，那么导数有界。反过来，如果可导函数，导数有界，可以推出函数Lipschitz连续。 从整体看：Lipschitz连续要求函数在无限的区间上不能有超过
低成本投影机-摄像机系统实现物体光谱反射性能的密集三维模型
2414…Pro-Cam SSfM：投影机-摄像机系统用于结构和运动光谱反射Chunyu Li，Yusuke Monno，Hironori Hidaka，and ...视图1：3D视图二：多视角结构光10.80.60.40.20410500580670波长（nm）10.80.60.40.2041
matlab starcat_非刚性三维形状匹配中基于谱分析的形状描述符综述
weixin_39617215的博客
01-15 1103
非刚性三维形状匹配是图形学中的重要问题, 是形状识别[、形状检索[、形状配准[、形状分割[等工作的研究基础.同时, 非刚性形状匹配也为三维可视化[、生物计算[、人脸识别[、医学图像处理[等应用领域提供了坚实的理论依据.在上述研究中, 非刚性三维形状检索与非刚性三维形状匹配是两个非常相似却不相同的研究问题.非刚性三维形状检索的主要思想是:首先, 将非刚性三维形状库中的所有形状映射到特征空间中, 计算...
算法公式推导——PCA
sunqin的博客
06-13 1066
主成分分析（Principle Component Analysis，PCA）算法公式推导： 1，算法定义 算法输入：一堆点集 X=[x1,x2,...,xm]，其中xi∈Rn,  i=1,2,...,m\mathbf{X} = [x_1, x_2, ...,x_m]，其中x_i \in \mathbb{R}^n, ~~i = 1,2,...,mX=[x1​,x2​,...,xm​]，其中xi​∈Rn,  i=1,2,...,m 算法输出： 一堆主向量 z1,z2,.
Graph特征提取方法:谱聚类(Spectral Clustering)详解
祥瑞的技术博客
04-30 1万+
背景：Graph的特征提取方法有很多种，有空域的方法vertex domain，谱方法spectral domain，最经典的就是图卷积GCN（Graph Convolutional Network）GCN (Graph Convolutional Network) 图卷积网络解析 。这里是另一种方法，谱聚类的方法( spectral clustering)。 相关论文详解： GCN (Gra...
点云目标检测-综述2019.04
Meihuashan_HUST的博客
04-27 1万+
说明：美团无人配送团队主笔，摘录自智车科技公众号 激光雷达成像原理 通常采集到的360°的数据被称为一帧，上面的例子中一帧数据在理论上最多包含32*(360/0.2)=57600个点，在实际情况中如果雷达被放置在车的上方大约距地面1.9米的位置，则在比较空旷的场景中大约获得40000个点，一部分激光点因为被发射向天空或被吸收等并没有返回到接收器，也就无法得到对应的点。下图是典型的一帧数据的可视化...
TEASER | 快速且可证明的点云配准算法和代码解读
soaring_casia的专栏
05-08 2472
本文是对文章《TEASER：Fast and Certifiable Point Cloud Registration》的解读。 摘要 这篇文章提出了第一个快速且可证明的算法，用于存在大量外点对应的情况下两组3D点的配准。 可证明的算法尝试求解一个困难优化问题(比如带外点的鲁棒估计)，提供相对容易的检测条件验证返回的解是否最优(比如，如果算法在外点存在情况下产生最精确的估计)或者界限解的次优性或精确性。 为了达到这个目的，我们首先使用截断最小二乘(TLS)代价函数将配准问题重新建模，使得估计对大量.
点云概念与点云处理
热门推荐
hongju_tang的博客
12-14 8万+
点云概念 点云与三维图像的关系：三维图像是一种特殊的信息表达形式，其特征是表达的空间中三个维度的数据，表现形式包括：深度图（以灰度表达物体与相机的距离），几何模型（由CAD软件建立），点云模型（所有逆向工程设备都将物体采样成点云）。和二维图像相比，三维图像借助第三个维度的信息，可以实现天然的物体——背景解耦。点云数据是最为常见也是最基础的三维模型。点云模型往往由测量直接得到，每个点对应一个测量点，...
PCL学习：点云配准理论基础
zfjBIT的专栏
06-27 1753
在逆向工程，计算机视觉，文物数字化等领域中，由于点云的不完整，旋转错位，平移错位等，使得要得到的完整的点云就需要对局部点云进行配准，为了得到被测物体的完整数据模型，需要确定一个合适的坐标系，将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云，然后就可以方便进行可视化的操作，这就是点云数据的配准。点云的配准有手动配准依赖仪器的配准，和自动配准，点云的自动配准技术是通过一定的算法或者统计学规...
进阶课程⑲丨Apollo感知之旅——感知算法
weixin_43619346的博客
03-24 1097
目录点云感知启发式方法：Ncut深度学习方法：CNNSeg视觉感知CNN分割后处理红绿灯感知基于深度学习的红绿灯感知模块Radar感知超声波感知 原创 阿波君 Apollo开发者社区 2019-05-08 敲黑板，本文需要学习的知识点有 轨迹 障碍物 视觉感知 边缘分割 卷积神经网络 激光雷达 感知是自动驾驶的第一环，是车辆和环境交互的纽带。一个自动驾驶系统的整体上表现好坏，很大程度上都取...
图卷积神经网络---教程
JIN JI 2013.12.24
11-21 1596
ref: https://tkipf.github.io/graph-convolutional-networks/   GRAPH CONVOLUTIONAL NETWORKS THOMAS KIPF, 30 SEPTEMBER 2016 Multi-layer Graph Convolutional Network (GCN) with first-order filters. ...
点云常见几种算法
如有侵权，请联系作者删除
04-23 1万+
最小二乘法： https://www.cnblogs.com/armysheng/p/3422923.html ＲＡＮＳＡＣ算法：　https://blog.csdn.net/qq_18941713/article/details/84647887 最近点迭代　ＩＣＰ算法：　https://blog.csdn.net/kksc1099054857/article/details/80280964 常见三角网格划分：　https://blog.csdn.net/tuibianyanzi/article/
GAN中的Spectral Normalization
songbinxu的博客
11-28 9040
GAN中的Spectral Normalization   Spectral Normalization 出自 《Spectral Norm Regularization for Improving the Generalizability of Deep Learning》和《Spectral Normalization for Generative Adversarial Networks》，...
谱归一化（Spectral Normalization）的理解
StreamRock的专栏
11-02 3万+
《Spectral Normalization for Generative Adversarial Networks》【1】是Takeru Miyato在2018年2月发表的一篇将谱理论应用于Gan上的文章，在2017年，本文的第3作者Yuichi Yoshida就发表了一篇著名的谱范数正则（Spectral Norm Regularization）的文章【2】，如有兴趣也可参看我的上一篇Blo...
混合流形谱聚类：自适应激光点云分割与抗噪性能
该方法将激光点云视为三维欧氏空间中的线性与非线性混合流形，这是对复杂数据结构的一种深入理解，因为点云通常包含丰富的几何和拓扑信息。方法的核心在于构建一个混合概率模型，通过混合概率主成分分析（Mixed ...
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