机器学习与深度学习
yanghan742915081
这个作者很懒,什么都没留下…
展开
-
傅里叶变化vs拉普拉斯
添加链接描述转载 2018-11-21 16:42:14 · 776 阅读 · 0 评论 -
为什么拉普拉斯算子具有旋转不变性
&a转载 2018-12-04 17:37:37 · 4153 阅读 · 0 评论 -
卷积理解
版权声明:请注明出处,可以随意转载 https://blog.csdn.net/qq_39521554/article/details/7908386转载 2018-11-30 10:26:18 · 257 阅读 · 0 评论 -
卷积理解
版权声明:请注明出处,可以随意转载 https://blog.csdn.net/qq_39521554/article/details/7908386转载 2018-11-30 10:26:18 · 184 阅读 · 0 评论 -
矩阵的奇异值
矩阵的本质就是把一个行空间基底下的向量变换到列空间基底下,但是这两个基底不一定是正交基底。一个m行n列的矩阵A,其行空间是n维(一行n个数)的而列空间是m维(一列m个数)的,而A的作用就是把一个向量v由n维空间(行空间)变化到m维空间(列空间)中,而矩阵A的特征向量描述的是这个矩阵线性变化的主要方向,属于m维空间中的向量,m维空间中任意一个向量都可以由这些特征向量的线性组合表示出来,假设有...原创 2018-11-27 09:48:05 · 3731 阅读 · 1 评论 -
尺度不变特征变化
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u014485485/article/details转载 2018-12-04 21:36:41 · 3233 阅读 · 0 评论 -
特征值分解和奇异值分解的
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/lyf52010/article/details/7转载 2018-11-27 15:42:28 · 181 阅读 · 0 评论 -
张正友标定
张正友标定法是利用单应变化,也叫投影变化来建立方程组。单应变化是指图片A到图片B有唯一的点到点的对应关系,即B = HA,H称为单应矩阵。假设棋盘格在世界坐标系中Z=0的平面,此时棋盘格的世界坐标[X,Y,1]可以看作A,相机拍摄的图片可看作B,则单应矩阵H可求。而像素坐标系=内参x外参x世界坐标系, 即,SB=K[R|t]A,S为伸缩因子,则S[h1,h2,h3]=K[r1,r2,t],因为...转载 2018-11-27 19:02:33 · 211 阅读 · 0 评论 -
奇异值分解求
&a转载 2018-11-28 17:05:09 · 178 阅读 · 0 评论 -
奇异值分解为何能求
奇异值分解的作用就是,根据所给出的矩阵,找出该矩阵产生作用的两个标准正交基。假设标准正交基U经过旋转矩阵R后得到标准正交基V,则有RU=V,则R=VU^-1,而奇异值分解就是用来求U和V的,怎么求?为何奇异值分解能找到这两个标准正交基?这是根据特征值分解中“实对称矩阵的特征向量正交”这一性质求解出来的。...原创 2018-11-28 20:54:27 · 264 阅读 · 0 评论 -
卷积理解
版权声明:请注明出处,可以随意转载 https://blog.csdn.net/qq_39521554/article/details/7908386转载 2018-12-01 22:03:06 · 1734 阅读 · 0 评论 -
LoG高斯拉普拉斯算子介绍
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Touch_Dream/article/detail转载 2018-12-01 22:04:46 · 9514 阅读 · 2 评论 -
拉普拉斯算子
&a转载 2018-12-01 22:59:16 · 55208 阅读 · 1 评论 -
尺度不变特征变化的一点理解
LoG算子可用高斯差分算子近似。尺度不变特征变化算法中,通过不断降采样得到尺寸不一样的图片,构成金字塔形状。每一层金字塔对应的尺寸的图片被不同尺度的高斯算子模糊,然后相邻尺度模糊过的图片做差分运算,这一过程相当于对该层图片与LoG算子模糊。...原创 2018-12-05 21:47:54 · 1624 阅读 · 0 评论 -
Visual hull
&a转载 2018-12-13 20:50:45 · 1937 阅读 · 0 评论 -
离群点检测
常用两种:1.基于knn搜索的统计滤波器,2.LOF算法统计滤波器:对每个点的邻域进行一个统计分析,并修剪掉一些不符合标准的点。具体方法为在输入数据中对点到临近点的距离分布的计算,对每一个点,计算它到所有临近点的平均距离(假设得到的结果是一个高斯分布,其形状是由均值和标准差决定),那么平均距离在标准范围之外的点,可以被定义为离群点并从数据中去除。该方法对密度不均匀的点云区域滤波效果不好,比如,对...转载 2018-12-18 21:35:54 · 1872 阅读 · 0 评论 -
特征值分解和奇异值分解的
<div class="article_content clearfix csdn-tracking-statistics" id="article_content" data-mod="popu_307" data-dsm="post" data-pid="blog">  转载 2018-11-26 22:55:10 · 200 阅读 · 0 评论 -
特征值和
原 所谓的特征值和特征向量 &nb转载 2018-11-26 20:50:10 · 2940 阅读 · 0 评论 -
傅里叶变化
添加链接描述转载 2018-11-22 10:15:01 · 172 阅读 · 0 评论 -
傅里叶变化和傅里叶级数的区别
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/yangyuwen_yang/article/det转载 2018-11-22 10:16:09 · 3154 阅读 · 0 评论 -
对极几何
&a转载 2018-11-24 00:19:07 · 1248 阅读 · 0 评论 -
单应性
&a转载 2018-11-24 01:00:42 · 762 阅读 · 0 评论 -
单应性
https://blog.csdn.net/czl389/article/details/67689625转载 2018-11-24 01:34:58 · 204 阅读 · 0 评论 -
张正友标定
&a转载 2018-11-24 01:52:35 · 2322 阅读 · 0 评论 -
深度相机TOF
&a转载 2018-11-22 18:40:39 · 1491 阅读 · 0 评论 -
特征值分解与奇异值
(一)特征值如果一个非零向量v是方阵A的特征向量,将一定可以表示成下面形式,而λ是特征向量v对应的特征值:特征值分解是将一个矩阵分解成下面的形式:其中Q是这个矩阵A的特征向量组成的矩阵,Σ是一个对角阵,每转载 2018-11-24 22:15:16 · 365 阅读 · 0 评论 -
特征值和特征向量的
https://blog.csdn.net/hjq376247328/article/details/80640544转载 2018-11-24 22:24:16 · 148 阅读 · 0 评论 -
奇异值分解可用于对数据进行压缩和
https://blog.csdn.net/Pwiling/article/details/51227506转载 2018-11-28 21:06:11 · 579 阅读 · 0 评论 -
正交
转载 2018-11-23 15:50:21 · 167 阅读 · 0 评论 -
五种常用点云滤波
本文主要介绍五中点云滤波方法:直通滤波器、体素滤波器、统计滤波器、条件滤波器、半径滤波器。噪声点与离群点。在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,以及电磁波衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响,点云数据中将不可避免地出现一些噪声点,属于随机误差。除此之外,由于...转载 2018-12-19 11:50:04 · 29046 阅读 · 12 评论