文章目录一、最小生成树简介二、最小生成树的性质一、最小生成树简介一个有nnn个顶点的连通图GGG的生成树是包含GGG中全部顶点的一个极小连通子图，它有且仅有n−1n-1n−1条边。也就是说，如果添加一条边，则构成回路；如果删去任何一条边，则生成树不再连通。一个生成树的代价为该生成树中所有边权的总和。称代价最小的生成树为最小生成树（Minimum Spanning Tree, MST）。最小生成树是

然后对三元组的数据进行知识融合，主要是实体对齐，以及和数据模型进行结合，经过融合之后，会形成标准的数据表示,为了发现新知识，可以依据一定的推理规则，产生隐含的知识，所有形成的知识经过一定的质量评估，最终进入知识图谱。知识图谱是一种语义网络（Semantic Network）的知识库，可以构建庞大的知识网络，包含世间万物构成的实体以及它们之间的关系，图文并茂地展现知识方方面面的属性，让人们更便捷地获

启发式搜索（Heuristic Search）：利用启发方式获得的领域知识，通过限定搜索深度或者限定搜索宽度来缩小问题空间，避开没有结果的搜索路径，也称有信息搜索

Gaussian Splatting源码解读补充的第二部分，包括相机、CUDA基础知识和前向传播等。

本文基于@gwpscut的文章《学习笔记之——3D Gaussian Splatting源码解读》，对Gaussian Splatting的代码进行了更加详细的解读。本文是第一部分，包括球谐的简介和高斯场景GaussianModel类的解读。

本文基于@gwpscut的文章《学习笔记之——3D Gaussian Splatting源码解读》，对Gaussian Splatting的代码进行了更加详细的解读。本文是第一部分，包括球谐的简介和高斯场景GaussianModel类的解读。

本文对比四篇论文：Gaussian Splatting SLAM、SplaTAM、Gaussian-SLAM和GS-SLAM的异同点。

HOG的全称是方向梯度直方图（Histogram of Oriented Gradient），它是计算机视觉中用于物体检测的一种特征描述子（Feature Descriptor）。特征描述子的作用是提取有用的信息，抛弃冗余的信息。对于一个物体而言，能够区分它的特征的往往是它的形状——也就是它的边界。而在边界处灰度一般有突变，所以我们考察图像的梯度就可以知道边界在什么地方。现在我们把一个图片利用HO

(3) 成员关系（A-Member-Of）：A是B的成员（强调个体与集体的关系），具有属性的继承性。(2) 分类关系（AKO, a kind of）：A是B的成员，具有属性的继承性。(5) 包含关系（Part-Of）：部分与整体之间的关系，一般不具备属性的继承性。状态（state）：描述某类不同事物间的差别的某种结构的符号或数据，用四元组表示。(1) 实例关系（ISA, is a）：A是B的例子，

不存在，所以样本方差也不存在，这与我们的认识是相符的——只有一个点不能反映样本分布的离散程度。说明这个随机变量只能取一个值，而只有一个样本并不能证明这一点。计算，但不直观，所以我们采用了更能反映问题本质的方法。，现在系统地学了概率论与数理统计，有了新的理解。第二种，我们考虑一下无偏性的定义。，即只有一个样本的时候会发生什么呢？的时候，我们希望方差不存在，所以分母取。，那么就不用减去协方差了，最后就