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

ECC：图卷积神经神经网络的动态边条件滤波器摘要1.引言2.相关工作3.方法3.1 Edge-Conditioned Convolution3.2 Relationship to Existing Formulations3.3. Deep Networks with ECC生词摘要背景： 许多问题都可以表示为基于graph结构数据的预测方法： 将卷积操作从网格推广到任意的graphs，同时避免了

TnT：Transformer的改进版摘要1.引言2.方法2.1 Preliminaries2.2Transformer in Transformer2.3 Complexity Analysis2.4 Network Architecture3. 实验生词摘要问题：图像有着很复杂且较多的细节，以patch为单位进行划分还远不能在不同的尺度和位置上发掘目标的特征解决方法：局部patch中的atte

MVCNN：一种用于3D形状识别的多视图卷积神经网络摘要1. 引言2. 相关工作3. 方法3.1 Input: A Multi-view Representation3.2 Recognition with Multi-view Representations3.3 Multi-view CNN: Learning to Aggregate Views4. 实验4.1 3D Shape Class

Masked Autoencoders for Point Cloud Self-supervised Learning摘要1.引言摘要灵感： NLP和CV中的Masked Autoencoder应用很成功问题： 点云中存在局部信息缺失和密度不均匀的现象方法： 使用Masked Autoencoder进行点云自监督学习细节：①将输入的点云划分成不规则的点云块，以较高的比率 mask 这些块②使用基

假设CCC维输入特征的无序集合F={fa,fb,fc,fd}\mathbb{F}=\left\{ {{f_a},{f_b},{f_c},{f_d}} \right\}F={fa​,fb​,fc​,fd​}在图1((iii)-(iviviv))中所有的情况下都是相同的，并且有大小为4×C4 \times C4×C的kernel K=[kα,kβ,kγ,kδ]T\mathbf{K}=\left[k_{

多视角网络的训练可以表示为：arg⁡min⁡θC∑nNL(C(Xn),yn)=arg⁡min⁡θC∑nNL(C(R(Sn,u0)),yn)\begin{aligned}& \underset{\boldsymbol{\theta}_{\mathbf{C}}}{\arg \min } \sum_{n}^{N} L\left(\mathbf{C}\left(\mathbf{X}_{n}\right),

Point Transformer摘要1. 引言摘要研究自注意力网络在三维点云处理应用上的效果怎么样。为点云设计了自注意力层，并构造了自注意力网络。可以用于语义场景分割、目标部分检测和目标分类。1. 引言Transformer很适合处理点云，因为...

Deep Sets摘要1.引言2.Permutation Invariance and Equivariance2.1 Problem Definition2.2 Structure2.3 Related Results3. Deep Sets3.1 Architecture4.实验4.1.3Point Cloud Classification生词摘要我们研究了定义在sets上的机器学习任务模型设