![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
记录读论文时遇到的一些算法
文章平均质量分 84
读读论文
LingbinBu
这个作者很懒,什么都没留下…
展开
-
【记录读论文时遇到的一些算法8】Spectral-GCN和Spatial-GCN的发展历程
https://blog.csdn.net/weixin_37589575/category_10076918.html这个博主总结的真的很棒!原创 2022-06-23 10:05:39 · 404 阅读 · 0 评论 -
【记录读论文时遇到的一些算法7】—— 高斯混合模型(Gaussian Mixed Model)
高斯混合模型(Gaussian Mixed Model)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况(或者是同一类分布但参数不一样,或者是不同类型的分布,比如正态分布和伯努利分布)。如图1,图中的点在我们看来明显分成两个聚类。这两个聚类中的点分别通过两个不同的正态分布随机生成而来。但是如果没有GMM,那么只能用一个的二维高斯分布来描述图1中的数据。图1中的椭圆即为二倍标准差的正态分布椭圆。这显然不太合理,毕竟肉眼一看就觉得应该把转载 2022-06-09 22:56:36 · 1109 阅读 · 1 评论 -
【记录读论文时遇到的一些算法8】—— 法向量
Surface normal:法向量问题定义优化方法总结带有噪声的法向量计算问题定义记 xi∈Rn,i=1,2,⋯ ,mx_{i} \in R^{n}, i=1,2, \cdots, mxi∈Rn,i=1,2,⋯,m 为数据点,找到一个平面(超平面),该平面穿过法向量为n\mathbf{n}n的点c\mathbf{c}c:minc,n,∥n∥=1∑i=1m((xi−c)Tn)2\min _{\mathbf{c}, \mathbf{n},\|\mathbf{n}\|=1} \sum_{i=1}^{原创 2022-05-24 10:27:15 · 289 阅读 · 0 评论 -
【记录读论文时遇到的一些算法7】—— 点云主成分分析
principal components analysis:主成分分析 PCA1.PCA2.证明3.总结4.Kernel PCA5.证明6.总结参考文献1.PCA主成分分析(Principle Component Analysis,PCA),是一种多变量统计分析方法,也是数据降维和可视化的常用方法。PCA的原理是将原矩阵投影到一个新的正交坐标系下,且通过依次选择新坐标轴的方向,使得矩阵在新坐标轴上的投影(主成分的样本值)的方差最大2.证明输入: xi∈Rn,i=1,2,⋯ ,mx_{i} \in \原创 2022-05-23 23:34:29 · 564 阅读 · 0 评论 -
【记录读论文时遇到的一些算法6】—— 谱定理 & 瑞利熵
The Spectral Theorem: 谱定理 & Rayleigh Quotients: 瑞利熵1.谱定理2.瑞利熵1.谱定理假设A∈Rn,n\mathbf{A} \in R^{n, n}A∈Rn,n是一个实对称矩阵,λi∈R,i=1,2,⋯ ,n\lambda_{i} \in R, i=1,2, \cdots, nλi∈R,i=1,2,⋯,n 是 A\mathbf{A}A的特征值,ui∈Rn,i=1,2,⋯ ,nu_{i} \in R_{n}, i=1,2, \cdots, nui∈原创 2022-05-19 19:02:54 · 530 阅读 · 0 评论 -
【记录读论文时遇到的一些算法5】—— SVD分解
SVD(The Singular Value Decomposition): 奇异值分解1.特征值、特征向量参考文献1.特征值、特征向量如果一个向量 xxx 是 n×nn \times nn×n 矩阵 A\mathbf{A}A 的特征向量,那么可表示成以下形式:Ax=λx\mathbf{A}x=\lambda xAx=λx其中,A\mathbf{A}A 是一个 n×nn \times nn×n 的实对称矩阵, xxx 是一个 nnn 维特征向量,λ\lambdaλ 是矩阵A\mathbf{A}A原创 2022-05-19 11:44:06 · 309 阅读 · 0 评论 -
【记录读论文时遇到的一些算法4】—— Matrix-Vector Multiplication
矩阵和向量相乘的一些性质[a11a21a31a12a22a32⋮⋮⋮x1Na2Na3N][x1x2x3]=[a1a2a3][x1x2x3]=x1a1+x2a2+x3a3\begin{aligned}{\left[\begin{array}{ccc}a_{11} & a_{21} & a_{31} \\a_{12} & a_{22} & a_{32} \\\vdots & \vdots & \vdots \\x_{1 N} & a_{2 N原创 2022-05-15 18:25:07 · 369 阅读 · 0 评论 -
【记录读论文时遇到的一些算法3】—— Vector Dot Product & Vector Cross Product
向量点乘与叉乘的概念及几何意义1. 点乘2. 叉乘参考文章1. 点乘点乘(Dot Product) 的结果是 点积,又称数量积 或 标量积(Scalar Product)。假设空间中有两个向量: a⃗=(x1,y1,z1),b⃗=(x2,y2,z2),a⃗\vec{a}=\left(x_{1}, y_{1}, z_{1}\right) , \vec{b}=\left(x_{2}, y_{2}, z_{2}\right) , \vec{a}a=(x1,y1,z1),b=(x2,y2,z2),原创 2022-05-15 17:50:51 · 724 阅读 · 0 评论 -
【记录读论文时遇到的一些算法1】——MCMC sampling & Gibbs sampling
MCMC sampling & Gibbs sampling1. 什么是采样2. 为什么要采样3. 采样的作用4. 常用的采样方法5. 基本采样方法5.1 马尔科夫链蒙特卡洛采样(Markov Chain Monte Carlo)5.2 吉布斯采样(Gibbs Sampling)参考文章1. 什么是采样我们知道了一个变量的分布,要生成一批服从这个分布的样本,这个过程就叫采样。听起来好像很简单,对一些简单的分布函数确实如此,比如,均匀分布、正太分布,但只要分布函数稍微复杂一点,采样这个事情就没那原创 2022-04-24 19:42:38 · 918 阅读 · 0 评论 -
【记录读论文时遇到的一些算法2】—— Occupancy Grid Map
占据栅格地图(Occupancy Grid Map)1.机器人地图的分类2.占据栅格地图3.TSDF(Truncated Signed Distance Function)参考文章1.机器人地图的分类地图有很多种表示方式,例如,用经纬度标识地方的世界地图,城市的地铁图,校园指引图。第一种我们称为尺度地图(Metric Map),每一个地点都可以用坐标来表示,比如北京在东经116°23′17’‘,北纬39°54′27’';第二种我们称为拓扑地图(Topological Map),每一个地点用一个点来表示原创 2022-04-25 11:09:12 · 3689 阅读 · 1 评论