- 博客(2)
- 收藏
- 关注
RSS订阅翻译 Relationship between the Hessian and Covariance Matrix for Gaussian Random Varia
原文：https://onlinelibrary.wiley.com/doi/pdf/10.1002/9780470824566.app1考虑一个高斯随机变量θ、平均值θ´、协方差矩阵∑θ，的联合概率分布为目标函数可以定义为上式的负对数（我们无非就是要找概率最大的点嘛）它是线性微分方程中各分量的二次函数。通过对 θl 和 θl* 求部分偏导，可以得到在（l，l*）上的Hessian矩阵（只和最后一部分有关，那好比对1/2x^2求二阶导，出来就是“1”，也就是这里的协方差矩阵的逆，Hessian矩阵
2020-08-17 14:13:45
799
原创 三角测量（Triangulation 三角化）与 SVD 求解
问题描述：考虑某个路标点 yyy（上图的P）被若干关键帧 PPP（上图的O）看到。其中，取齐次坐标，即。每次观测为，取相机归一化平面坐标（这样可以忽略内参）。记世界系到相机系的投影矩阵为。投影关系：{λkuk=pk,1y=[Rk,1∣tk,1][x,y,z,1]Tλkvk=pk,2y=[Rk,2∣tk,2][x,y,z,1]Tλk=pk,3y=[Rk,3∣tk,3][x,y,z,1]T\left\{\begin{array}{l}\lambda_{k} u_{k}=p_{k, 1} y=\l
2020-08-17 13:50:21
3031
2
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