- 博客(8)
- 收藏
- 关注
RSS订阅原创 三维点云处理第三章--EM算法（Expectation-Maximization）
EM算法包括前面的E-step和M-step。EM算法想要解决的就是，给定一堆数据点，有一个模型，这个模型的参数是未知的，我们想要用最大似然的方法来估算出模型的参数。直接计算比较难，所以引入一个latent variables Z,Z就是一个点属于哪一个类的概率，P(z)就是一个点属于哪一个类的概率。第一步E-step，固定，算latent variables的概率，也就是GMM里面的后验概率。第二步M-step,构造Q函数，是关于Z概率的对数函数的期望值，最大化Q函数可以间接的去最大化我想要目标函数P(x
2023-07-09 21:41:29
146
1
原创 三维点云处理第三章（3）--GMM（高斯混合模型）
混合高斯模型就是把每一个类都用一个高斯分布来描述。K-Means对每一个类是没有建模的，它只是给一个中心点，GMM进一步的用高斯模型来描绘这个类里面的数据。也就是说，现在每一个类是一个概率模型，也就可以给出每一个点属于哪一个类的概率。
2023-07-09 17:44:35
699
1
原创 三维点云处理第三章（2）--K-Means(聚类算法)
第一步任意选择K个中心点，然后计算每个点属于哪一个类，第二步将每一个点分配到每一个类之后，第三步更新每一个类中心点的位置（把每个类的求一个平均值，作为这一个类的中心点）。
2023-07-09 16:18:03
595
1
原创 三维点云处理第二章（3）---Octree
八叉树是专门为三维设计的，它本身就是一个个正方体。在最临近搜索里面最大的好处就是可以提前结束搜索。
2023-07-03 16:33:23
115
1
原创 三维点云处理第二章笔记（1）—Binary Search Tree
首先查到8这个节点，那么我的worst distance = 3（11-8），最近的邻居距离11至少3那么远，左边距离会更远，11比8大，故应该先向右边看，到10，此时最坏距离为1，需要搜索（10-12），右边比10大，先找右边，找到14，最坏距离不变，11比14小，所以需要寻找14的左边，找到13，发现没有变化，返回14，返回10，返回8，此时看看是否需要找左边，我在右边已经找到10，最坏距离为1，无论在8的左边如何找，都不会使最坏距离小于1，故不需再找。红色的点是要查的点，蓝色绿色点是数据库里有的点。
2023-07-01 17:22:21
81
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人