https://blog.csdn.net/qq_42143583/article/details/102523100https://www.jianshu.com/p/eb490fae2cf7https://blog.csdn.net/SLAM_masterFei/article/details/85841807https://blog.csdn.net/qq_29462849/article/

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

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

pointnet.pytorch的代码详细解释1. PointNet的Pytorch版本代码解析链接2. 代码解释2.1 代码结构思维导图2.2 代码注释2.2.1 build.sh2.2.2 render_balls_so.cpp2.2.3 download.sh2.2.4 train_classification.py2.2.5 dataset.py功能快捷键合理的创建标题，有助于目录的生成如

https://blog.csdn.net/qq_33933704/article/details/78735797

Graph CNNs根据点间的空间/特征相似性将point cloud表示为graph数据，并将images上的2D卷积推广到3D点上。标准的Graph CNNs通常会在每对点上使用共享权重函数抽取这对点的对应边特征，这会导致得到一个固定/同向的卷积kernel，当作用在所有点对上后，会忽略掉不同特征的对应关系。该项工作的关键贡献在于AdaptConv能够在graph卷积内使用，而不是基于结果特征

如表1所示，在decoder阶段，我们想要施加一个“虚拟的外力”，将2D网格 变形 成3D物体的表面形状，这种变形应该受到网格neighborhood相互连接的影响和约束。Auto-encoder的pipeline如图2所示。encoder的输入是一个n×3n \times 3n×3的矩阵，矩阵的每一行包含了3D点云的位置(x,y,z)(x, y, z)(x,y,z)。输出是一个m×3m \tim

OctNet：在高分辨率下学习深度3D表示摘要1. 引言2. 相关工作3. Octree Networks3.1 Hybrid Grid-Octree Data Structure摘要OctNet适用于稀疏3D数据的深度学习表示方法本文的方法能够从深度和分辨率两个方面进行卷积网络的学习利用输入数据的稀疏性，使用非平衡八叉树将空间按照层次分割，八叉树的叶子节点存储着 pooled feature r

记X={x1,…,xn}⊆RF\mathbf{X}=\left\{\mathbf{x}_{1}, \ldots, \mathbf{x}_{n}\right\} \subseteq \mathbb{R}^{F}X={x1​,…,xn​}⊆RF为输入点云，其中nnn是点的数量，FFF是点的维度，在最简单的情况下，F=3F=3F=3，每个点都包括了3D坐标xi=(xi,yi,zi)\mathbf{x}_

https://blog.csdn.net/m0_51430625/article/details/119718258word未找到MathPage解决方法