三维场景渲染与重建是利用场景的图形或图像等信息渲染出特定观测视点的场景图像和重建出三维场景的结构模型，它是计算机视觉中的一个重要的研究课题，开展该方面的研究对于模型识别、虚拟现实、探险救援、军事侦察等都具有非常重要的意义。经典的三维场景渲染与重建方法按照基本处理单位的不同分为：以像素点作为基本处理单位逐点进行渲染与重建，该方法获得的渲染图像和重建模型比较真实，但是速度较慢；以网格作为基本处理单位进

视觉传感器总结激光雷达优势结构组成分类激光雷达的性能评估3D深度传感ToF工作原理测量δT\delta{T}δT方法连续波方法脉冲方法立体视觉优点缺点结构光优点缺点惯性导航系统简介惯性测量单元激光雷达与雷达工作原理类似，激光雷达通过测量激光信号的时间差和相位差来确定位置，但其最大优势在于能够利用多普勒成像技术，创建出目标清晰的3D图像。激光雷达通过发射和接收激光束，分析激光遇到目标对象后的折返时间

深度学习基本模块OptimizationSGD公式while True:dx = compute_gradient(x)x -= learning_rate * dxSGD+Momentum公式：​vx = 0while True:dx = compute_gradient(x)vx = rho*vx+dxx -= learning_rate * vxAdaGradAdaGrad就是在sgd的基础

机器学习——模型优化模型压缩方法squeezeNet的Fire Module有什么特点？模型压缩方法低秩近似神经网络的基本运算卷积，实则就是矩阵运算，低秩近似的技术是通过一系列小规模矩阵将权重矩阵重构出来，以此降低运算量和存储开销。目前有两种常用的方法：一是Toeplitz矩阵（指矩阵中每条自左上至右下的斜线上的元素相同）直接重构权重矩阵，二是奇异值分解（SVD），将权重矩阵分解为若干个小矩阵。剪

机器学习——降维线性降维-主成分分析PCA损失函数SVD与PCoAp-PCA小结降维的思路来源于维度灾难的问题，我们知道n维球的体积为：CRnCR^nCRn那么在求体积与边长为2R2R2R的超立方体比值为：lim⁡n→0CRn2nRn=0\lim\limits_{n\rightarrow0}\frac{CR^n}{2^nR^n}=0n→0lim​2nRnCRn​=0这就是所谓的维度灾难，在高维数据

机器学习—MCMC蒙特卡洛方法MCMC平稳分布MCMC是一种随机的近似推断，其核心就是基于采样的随机近似方法蒙特卡洛方法。对于采样任务来说，有下面一些常用的场景：采样作为任务，用于生成新的样本求和/求积分采样结束后，我们需要评价采样出来的样本点是不是好的样本集：样本趋向于高概率的区域样本之间必须独立具体采样中，采样时一个困难的过程：无法采样得到归一化因子，即无法直接对概率p(x)=1Zp^(x)p

机器学习——线性分类线性分类二分类-硬分类-感知机算法二分类-硬分类-线性判别分析LDA二分类-软分类-概率判别模型-Logistic回归二分类-软分类-概率生成模型-高斯判别分析GDA二分类-软分类-概率生成模型-朴素贝叶斯线性分类对于分类任务，线性回归模型就无能为力了，但是我们可以在线性模型的函数进行后再加入一层激活函数，这个函数是非线性的，激活函数的反函数叫做链接函数。我们有两种线性分类的方

TabNine是一款机器学习的自动补全插件首先在pycharm中ctrl+alt+s打开设置,点击Plugins，在右边搜索TabNine然后点击安装，安装后重启pycharm,然后点击下图所示的区域点击加号，然后选择TabNine此时，你就可以解锁tabNine的普通补全功能了然后，选择帮助中的的选项在其中输入TabNine::config,一定要自己输入，这时会弹出网站，按照网...

机器学习——PCA与LDAPCA推导一个PCALDALDA的中心思想是什么LDA的优缺点LDA的步骤推导LDAPCA和LDA有什么区别PCA主成分分析（PCA）是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分可以使用两种方法进行PCA，分别是特征分解或奇异值分解（SVD）。PCA旨在找到数据中的主成分，并

机器学习——期望最大（EM）广义EMEM的推广期望最大算法的目的是解决具有隐变量的混合模型的参数估计（极大似然估计）。MLE对p(x∣θ)p(x|\theta)p(x∣θ)参数的估计记为：θMLE=argmaxθlogp(x∣θ)\theta_{MLE}=argmax_{\theta}logp(x|\theta)θMLE​=argmaxθ​logp(x∣θ)。EM算法对这个问题的解决方法是采用迭代