本文带读了PointNet++。PointNet++ 是一种针对度量空间中点集的强大神经网络架构，通过递归嵌套划分输入点集，学习多尺度分层特征。它改进了 PointNet 无法捕获局部上下文的局限，引入多尺度分组（MSG）和多分辨率分组（MRG），以解决点云密度不均的问题。MSG 使用不同半径提取多尺度特征，MRG 则结合上下层特征。PointNet++ 在 3D 点云分类、语义分割及非刚性形状分

本文详细解读了PointNet原论文，该论文提出了一种直接处理点云数据的深度学习网络PointNet，适用于3D物体分类、部件分割和语义分割等任务。文章从理论到实验全面解析了PointNet的设计原理，包括关键点选择、上界形状构建以及网络对噪声、缺失点的稳定性。实验表明，PointNet在多个3D任务中达到了最先进性能，同时显著降低了计算复杂度，为实时应用提供了可能性。此外，文章还结合PointN

文章目录Week 1 卷积神经网络基础4.1.1 计算机视觉（Computer vision）4.1.2 边缘检测示例（Edge detection example）4.1.3 更多边缘检测内容（More edge detection）4.1.4 Padding3.1.5 卷积步长（Strided convolutions）4.1.6 三维卷积（Convolutions over volumes）

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部

文章目录Week 1 卷积神经网络基础4.1.1 计算机视觉（Computer vision）4.1.2 边缘检测示例（Edge detection example）4.1.3 更多边缘检测内容（More edge detection）4.1.4 Padding3.1.5 卷积步长（Strided convolutions）4.1.6 三维卷积（Convolutions over volumes）

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部

这篇文章详细解读了经典论文“Handwritten Digit Recognition with a Back-Propagation Network”。1989年，LeCun等人提出了使用卷积神经网络（CNN）进行手写数字识别的方法，特别应用于美国邮政编码。文章分析了网络结构，包括卷积层和池化层的设计，以及反向传播的训练过程。研究强调自动特征提取的优势，减少了复杂的手动预处理。最终，该网络成功部