- 博客(2)
- 收藏
- 关注
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