摘要：
论文笔记-《Point Cloud Upsampling via Disentangled Refinement》 笔记中有不足或者错误之处，还望指出，相互交流，谢谢~ 提出问题 三维扫描产生的原始点云往往局部稀疏、不均匀，物体表面可能有小孔，如下图的实扫描样例所示。显然，这些原始数据需要被修改调整 阅读全文
posted @ 2022-02-26 10:32
L-Yeeky
阅读(855)
评论(0)
推荐(0)
摘要：
论文笔记《SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation》-无具体设计和训练细节篇 笔记中有不足或者错误之处，还望指出，相互交流，谢谢~ 现有严峻的挑战 如何构建生成模型来合成新的，多样化的，逼真的3D形状，同时使得该3D形状能够 阅读全文
posted @ 2022-02-25 17:32
L-Yeeky
阅读(863)
评论(0)
推荐(0)
摘要：
6. 列空间 Review 什么是向量空间？ 其实就是一些向量(例$v$和$w$)，对一些运算封闭，空间内任向量相加仍在空间，或者任向量乘以某常数也仍在空间里，线性组合也必然在空间内（相加$v+w$、数乘$cv$、线性运算$cv+dw$均封闭） 什么是子空间？ 它们属于母空间，但自身又构成向量空间， 阅读全文
posted @ 2022-02-13 11:11
L-Yeeky
阅读(646)
评论(0)
推荐(0)
摘要：
7. \(Ax=0\)：主变量、特解 Review 上一节讲了向量空间，特别是矩阵的零空间和列空间，这些空间包含什么。 这一节将详细讲解如何找出这些空间中的向量，如何计算出这些向量——这节课是一个转折，从定义转向算法。 求解$Ax=0$的算法是怎样的？ 今天主要讲零空间，下面还是举例来演示这种算法。 阅读全文
posted @ 2022-02-13 11:11
L-Yeeky
阅读(905)
评论(0)
推荐(0)
摘要：
5. 转置、置换、向量空间 置换 置换矩阵，记作$P$，是用来完成行互换的矩阵。 在规定没有行互换的时候，$A=LU$的表示形式通常如下： 而现在考虑行互换的情况： 按照Matlab的处理方式，它不仅会像人一样，检验主元位置是否为0，它甚至不允许存在非常接近于0的数字作为主元。因此在Matlab的实 阅读全文
posted @ 2022-02-13 11:10
L-Yeeky
阅读(997)
评论(0)
推荐(0)
摘要：
4. A的LU分解 这节课的目标是以这种总的思路审视高斯消元。 假设$A$可逆，$B$可逆，那么可知$AB$的逆矩阵是$B^{-1}A^{-1}$ \(AB(B^{-1}A^{-1})=I\)，或者$(B^{-1}A^{-1})AB=I$ 矩阵转置 可知**$A$的逆为$(A^{-1})^T$,即A 阅读全文
posted @ 2022-02-13 11:09
L-Yeeky
阅读(291)
评论(0)
推荐(0)
摘要：
3. 矩阵乘法和逆 矩阵乘法 方法一：点乘(单个元素）-常规方法 计算矩阵$AB=C$,特别考虑$C_{34}$来自矩阵$A$的第三行和矩阵$B$的第四列。 $C_{34}$的计算如下： 矩阵在什么情况下能够相乘？相乘后又是什么样子？ 矩阵相乘不一定是方阵，方针相乘，大小必须相同，但是如果它们不是方 阅读全文
posted @ 2022-02-13 11:09
L-Yeeky
阅读(748)
评论(0)
推荐(0)
摘要：
2. 矩阵消元 只要矩阵是个好矩阵，消元法就能够奏效，这是解方程组的有效方法。 换句话说，用消元法可以知道什么矩阵是好矩阵，何时是好矩阵，何时有问题 这节课主要就是讲，用矩阵语言描述消元法，核心概念就是“矩阵变换” 这节课的例子，仍可看作$Ax=b$ 矩阵消元 消元法的第一步 方程一乘以(-3)减去 阅读全文
posted @ 2022-02-13 11:08
L-Yeeky
阅读(501)
评论(0)
推荐(0)
摘要：
1.方程组的几何解释 考虑n个方程 n个未知数，从简单的2个方程 2个未知数开始考虑。 2个方程 2个未知数 等号左侧分别是两行两列的系数矩阵（记作矩阵A），和两个未知数组成的向量（记作加粗的X）； 等号右侧是向量（0，3）（记作b）； 于是该线性方程组可以写成Ax=b； 求解的方法有两种：一是Ro 阅读全文
posted @ 2022-02-13 11:07
L-Yeeky
阅读(480)
评论(0)
推荐(0)
摘要：
11. Logistic Regression Review 在classification这一章节，我们讨论了如何通过样本点的均值$\mu$和协方差$\Sigma$来计算$P(C_1),P(C_2),P(x|C_1),P(x|C_2)$，进而利用$P(C_1|x)=\frac{P(C_1)P(x| 阅读全文
posted @ 2022-02-13 11:05
L-Yeeky
阅读(90)
评论(0)
推荐(0)
浙公网安备 33010602011771号