自动驾驶行业学习、交流

目录混淆矩阵评价指标PrecisionAccuracyRecallIouF1 Score博主小白，有啥不对的地方肯请大家评论指出~混淆矩阵\\真实情况真实情况\\正例负例pred正例TPFPpred反例FNTN评价指标Precisionprecision=TP/(TP+FP)precision=TP/(TP+FP)precision=TP/(TP+FP)AccuracyAcc=precision=TP/(TP+FP)Acc=pre

目录算法简介算法输入算法输出基本概念算法原理优缺点算法实现算法效果参考算法简介DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。下面我们就对DBSCAN算法的原理做一个总结。　　　DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定

深度学习基础课程作业神经网络基础MNIST手写数字体识别1、MLP2、K-近邻3、CNN课程作业神经网络基础MNIST手写数字体识别给出三种实现方式1、MLP2、K-近邻3、CNN

PCA用到的矩阵知识svd奇异值分解瑞利熵谱定理PCAinput:n*d,n代表个数，d代表维度Output:主成分向量 ，principle vectors ，仅仅是一个向量，代表一个方向。主成分的个数k<=原始空间维度数dQ&A什么是最主要的成分？点的投影后分布的方差最大的方向。(在该方向上的点云分布的最分散)怎么获取第二个主成分去掉第一个主成...

摘要简单介绍精确率和召回率的概念精确率精确率是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是召回率召回率是针对于我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(...

摘要点云是目前摄影测量、遥感、计算机视觉等多个领域广泛应用的数据源之一，而信息提取是点云处理、分析和应用的必经环节。为此，学术界已经提出了大量点云信息提取方法。本文从基元类型、提取特征、特征选择与分类器等３个视角概括了点云信息提取的相关研究现状，总结出点云信息提取存在的５个主要问题，点明了点云信息提取的６个主要发展趋势，并着重介绍了“融合多基元的点云信息提取范式”。研究进展1.1 基于多基...

摘要针对目前机载点云数据量大，建筑物点云不均匀等问题提出一种面向对象构建决策树的建筑点云高精度提取方法。决策树可以同时处理多种特征，并且对缺失值不敏感，利用点云中每个对象的高程信息、粗糙度、法向量分布三个特征，基于信息熵的变化，有监督地从样本数据中学习得到正确的分类器，进而完成待处理点云中建筑物的提取研究方法滤波。采用移动曲面滤波方法，即利用一个不断移动的窗口寻找窗口内高程最低点，采用...

摘要考虑到现有的点云分类算法在提取依赖结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂，并且缺乏对分类特征参数的重要性评估和选择等问题。选取了归一化高度、高度统计量、表面特征、空间分布特征、回波特性、强度特征6大类特征参数，并构建多尺度特征参数使用随机森林的特征选择算法对分类特征进行优化，然后进行点云分类实验表明，归一化高度特征在点云分类中所起作用最大归一化高度基于布料...

摘要提出一种基于渐进加密三角网和双层支持向量机的点云分类算法采用渐进加密三角网滤波提取地面，在地物点的基础上对地物点进行归一化处理。对点云特征进行评估，选取特征向量并用最近邻支持向量机（NN-SVM）对地物点进行分类。创新点基于NN-SVM提出一种将分类分为粗细双层的分类策略。其中粗分类过程为：提取特征，对特征进行选择（使用libsvm的F-score模块)，选择有效性高的特征...

问题DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples,), for example using ravel().clf.fit(x,y)貌似是因为fit()第二个参数（也就是label）必...

为什么要对特征进行归一化？一句话描述：为了使特征在一个数量级上。就拿身高体重来举例，某人1m8，体重135斤，显然这种统计方法是不合适的，由于数量级不同使得身高体重的权重不同。应该把它们都归一化到同一数量级上。如果不归一化，不同变量的损失梯度图可能会呈现一个椭圆，这样在梯度下降的时候迭代次数会比较多；归一化后损失的等高线图就是一个园，任意一点的切线方向便是梯度下降的方向，这样便减少了迭代...