wmhsjtu的博客

FlowNet3D: Learning Scene Flow in 3D Point Clouds学习笔记（CVPR2019）文章目录FlowNet3D: Learning Scene Flow in 3D Point Clouds学习笔记（CVPR2019）1 摘要2 概述3 网络结构point feature learningpoint mixtureflow refinementNetwork Architecture4 训练与预测Training loss with cycleconsistenc

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界]对学习样本求解的最大边距超平面（maximum-margin hyperplane）通俗地说，SVM在众多实例中寻找一个最优的决策边界，这个边界上的实例叫做支持向量，它们“支持”（支撑）着超平面，所以它叫支持向量机。线性可分在二维空间上，两类点被一条线分隔开称为线性

CNN卷积神经网络及图像识别前言神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。CNNs目前在很多很多研究领域取得了巨大的成功，例如: 语音识别，图像识别，图像分割，

线性回归在数学上，线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在机器学习中，线性回归则是使用线性模型解决回归问题的算法问题分析线性回归问题可以用数学语言描述为目标函数hθ(x)=θ0+θ1xh_{\theta}(x)=\theta_{0}+\theta_{1} xhθ​(x)=θ0​+θ1​x代价函数J(θ0,θ1)=12m∑i=1m(hθ(x(i))−y(i))2J\left(\theta_{0}, \theta_{1}\