借用点其它的东西,你或许可以三等分角

本文介绍了四种简单实用的方法来实现角的三等分,包括将扇形卷成圆锥并三等分圆锥底面、利用圆心角特性、通过特定几何构造以及使用折纸技巧。这些方法虽借助额外手段,却展示了巧妙的数学思想。

    大家都知道,我们永远不可能尺规三等分任意角。借助一些其它的工具是可以办到的,即使所借助的东西“微不足道”,“几乎可以不算”。下面提供四种比较简单的方法。


ONE~~~~~~~~~
    至今仍有不少人认为这种方法可以推翻“三等分角不可能”的结论。而事实上,这种方法仍然算借用了外物。
    尺规不能三等分角,但可以三等分圆(自己试)。也就是说,只用直尺和圆规可以画出120度的角来。现在给你一个任意角,那么你可以把它对应的扇形卷成一个圆锥,三等分这个圆锥底面的圆。还原成扇形后,你会看到这个角所对应的圆弧已经被平分为三份了。



TWO~~~~~~~~~
      
    把要三等分的角AOB放在圆中,作为圆心角。从B出发作射线交圆于D,交AO延长线于C,当CD等于圆的半径时角ACB就是角AOB的1/3。你可以试着自己证明一下。
    证明:设∠DCO=x。由CD=DO知∠DCO=∠DOC,于是∠DOC=x,进而∠BDO=2x。由DO=BO知∠BDO=∠DBO,于是∠DBO=2x,进而∠AOB=∠ACB+∠DBO=3x
    结论是正确的,可惜如果不在尺子上作标记的话图是作不出来的。



THREE~~~~~~~
      
    我们要三等分角BAC。作CD垂直于AB,垂足为D。作CE平行于AB。AE交CD于F。适当移动E的位置(仍然保持CE//AB),当EF=2AC时,∠EAB=1/3∠CAB。
    证明很简单:找出EF的中点后,于是EM=FM=CM=AC,那么∠CAM=∠CMA=2∠AEC,又因为CE//AB,所以最终可得∠CAE=2∠EAB,也即∠EAB=1/3∠CAB。和方法二一样,尺子上面没有刻度的话是作不出这个图的。



FOUR~~~~~~~~
      
    如果你手上有一张纸的话,你可以用折纸的方法三等分角。
    把角XAY(蓝色标明)放在纸的一个直角上,AY靠着纸的边缘。在纸的另一直角边上确定两点P和Q使得AP=PQ,过这两个点分别作平行于AY的直线。现在,把纸折起来,让Q点落在AX上,A点落在过P的那条平行线上,那么A和P的落点就确定了三等分线的位置(红色线段)。怎么证明呢?
    证明:为了便于叙述,我们把A、P、Q的落点分别命名为A'、P'、Q',折痕的端点分别为B和C。过A'作A'D垂直于AY。∠AA'D = 90°- ∠A'AD = ∠BAA'。又AB=A'B,于是∠BAA'=∠BA'A。加上A'D=PA=P'A',AA'是公共边,足以说明△AA'P'≌△AA'D (SAS)。这样,∠AP'A'和∠AP'Q'都是直角。又注意到AP=PQ即A'P'=P'Q',于是△AP'A'≌△AP'Q'。以A为顶点的三个直角三角形全等,也即对应的三个角相等。

做人要厚道
转贴请注明出处

### 3D云实例分割方法与算法 #### 方法概述 3D云的实例分割旨在将场景中的不同对象区分为独立的个体,而不仅仅是按照类别进行划分。这通常涉及更复杂的模型结构和更高的计算复杂度相比语义分割[^1]。当前主流的研究方向可以归纳为以下几类: 1. **基于投影的方法** 这种方法通过将3D云映射到2D平面(通常是RGB-D图像或其他形式的投影图)来利用成熟的2D卷积神经网络(CNN)。这种方法的优势在于可以直接借用强大的2D CNN架构,但缺是对几何信息的丢失较为严重[^2]。 2. **基于体素网格的方法** 将不规则分布的云转换成规则的三维体素网格表示,从而允许使用3D卷积操作提取特征。然而,由于体素化的分辨率限制以及内存消耗较大等问题,在高密度云上的应用受到一定制约。 3. **基于的方法** 此类方法直接作用于原始云数据而不经过任何中间变换过程,代表作如PointNet及其改进版本PointNet++等。它们能够很好地保持输入数据的空间特性并具备较好的泛化能力,但也面临局部邻域关系建模困难这一挑战。 4. **混合方法** 结合上述多种策略的优形成新的解决方案,比如先采用粗略估计再精调细节或者多阶段联合训练等方式提升最终效果。 #### 具体算法介绍 - **PointRCNN**: 提出了两步框架用于完成端到端检测任务——首先生成候选区域建议(proposal),接着对其进行分类回归得到精确边界框位置;同时引入了投票机制增强预测准确性。 ```python import torch class PointRCNN(torch.nn.Module): def __init__(self, num_classes=3): super(PointRCNN, self).__init__() # 定义骨干网络和其他组件... def forward(self, points): # 实现前向传播逻辑... pass ``` - **VoteNet**: 利用Hough Voting原理构建了一个轻量级却高效的pipeline来进行目标检测及其实例分割工作。它由提议模块(PN++)负责寻找潜在中心,并通过聚类关联这些中心与其对应物体表面群构成完整个体描述。 - **SAP-DETR3D**: 基于Transformer架构设计而成的一种新型探测器,能够在无需手工设定anchor的情况下自适应捕捉远距离小尺寸物品的信息,显著提高了召回率指标表现优异。 #### 总结 针对不同的应用场景需求可以选择适合自己的技术路线实施开发实践。值得注意的是随着硬件性能不断提升加上理论研究深入探索未来或许会出现更多创新性的突破成果值得期待!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值