点云数据本身的数据规模存在极大的限制，目前主流的ModelNet40也就40个类别，就算组合了shapeNet，其数据量远远不能覆盖实际的样本空间，使得模型的泛化性收到了极大的限制。另外，由于点云属于三维数据，其表示形式自然要比文本和图像复杂，受到坐标系的限制会更大，对于姿态，尺度等更加敏感。这使得对于点云建立特征学习模型变得尤其困难。因此，面向点云的数据增强研究被提出。

本文详细介绍了在Ubuntu 24.04系统下配置深度学习开发环境的完整流程。主要内容包括：1）正确安装Anaconda的注意事项；2）通过官方deb网络方式安装CUDA 12.8及其环境配置；3）创建Conda虚拟环境并安装CUDA运行时；4）安装支持CUDA 12.8的PyTorch；5）PyCharm集成Conda环境的方法；6）环境验证步骤及常见问题解决方案。该配置方案适用于科研和工程开发

学习深度学习已经有小一年的时间，看了很多视频和书本内容，学习了很多代码，可始终感觉认知不够扎实。结合李沐老师的视频课程，我决定在本博客中介绍下复现LeNet的过程。代码基于Pycharm2021平台，选用python3.8版本+Pytorch1.12.1+cu116。基本上把各个包的版本都刷到最新版本，以方便后续的网络升级和向后兼容。

基于注意力机制的深度学习模型在起初设计时，针对的是NLP问题。包括词元分析，翻译等语言处理任务，注意力机制能够训练超大规模数据，并建立学习模型，获得显著的性能提升。鉴于注意力机制在NLP任务中的空前成功，视觉领域也尝试引入注意力机制，著名工作包括VIT [1] 和Swin Transformer [2]。对于点云数据处理，一些基于Transformer模型 [3][4] 的工作也被提出。本文以文献

最近做深度学习研究，发现在视觉任务中，使用多尺度特征建立对图像的特征描述，大概率能够得到好的结果。自然地，如果能把多尺度特征推广到点云分析的任务中，直观感觉应该也能够获得性能提升。正好最近researchgate推给我一篇论文[1]，就是基于该想法提出了一个网络实现。今天就来跟大家一起学习下这篇文章，看一看如何利用多尺度特征提升点云分析任务的性能。...

随着Transformer模型在NLP，CV甚至CG领域的流行，注意力机制（Attention Mechanism）被越来越多的学者所注意，将其引入各种深度学习任务中，以提升性能。清华大学胡世民教授团队近期发表在CVM上的Attention综述 [1]，详细介绍了该领域相关研究的进展。对于点云应用，引入注意力机制，设计新的深度学习模型，自然是一个研究热点。本文以注意力机制为对象，概述其发展脉络，以

随着Transformer模型在NLP，CV甚至CG领域的流行，注意力机制（Attention Mechanism）被越来越多的学者所注意，将其引入各种深度学习任务中，以提升性能。清华大学胡世民教授团队近期发表在CVM上的Attention综述 [1]，详细介绍了该领域相关研究的进展。对于点云应用，引入注意力机制，设计新的深度学习模型，自然是一个研究热点。本文以注意力机制为对象，概述其发展脉络，以

最近在b站看李沐老师的深度学习课程，受益颇多。不过觉得光看视频实在是不过瘾，最好还是能实际的玩起来。鉴于我还是习惯使用pycharm，且不需要过多的中间过程展示，所以代码的编写基本都是在pycharm进行。由于李沐老师的代码主要是在Jupyter运行的，在pycharm上使用会略有差异。本篇博客以求解线性优化问题代码为例，来谈一谈在pycharm运行相关代码的一些注意事项。

本文详细介绍了在Ubuntu 24.04系统下配置深度学习开发环境的完整流程。主要内容包括：1）正确安装Anaconda的注意事项；2）通过官方deb网络方式安装CUDA 12.8及其环境配置；3）创建Conda虚拟环境并安装CUDA运行时；4）安装支持CUDA 12.8的PyTorch；5）PyCharm集成Conda环境的方法；6）环境验证步骤及常见问题解决方案。该配置方案适用于科研和工程开发

学习深度学习已经有小一年的时间，看了很多视频和书本内容，学习了很多代码，可始终感觉认知不够扎实。结合李沐老师的视频课程，我决定在本博客中介绍下复现LeNet的过程。代码基于Pycharm2021平台，选用python3.8版本+Pytorch1.12.1+cu116。基本上把各个包的版本都刷到最新版本，以方便后续的网络升级和向后兼容。