得益於frustum pointnets作者的總結。
研究者們使用了多種方法來呈現rgb-d資料。並進行3d detection。
基於前檢視的方法：[4,24,41]採用單目rgb影象和形狀先驗或遮擋圖案來推斷3d邊界框。 [18,7]將深度資料表示為二維影象，並將cnn應用於二維影象中的物體定位。 相比之下，我們將深度資料表示為點雲，並使用先進的3d深度網路（pointnets）來更有效地利用3d幾何特性。
基於鳥瞰圖的方法：mv3d [6]將li-dar點雲投射到鳥瞰圖上，並為3d邊界框proposal訓練乙個region proposal網路（rpn [29]）。 然而，該方法在檢測諸如行人和騎車人等小物體方面滯後，並且不能容易地適應具有垂直方向上的多個物體的場景。
基於3d的方法：[38,34]從點雲上提取人為設計的幾何特徵，用svm來訓練3d物件分類器，然後使用滑動視窗搜尋來定位物件。 [8]通過用體素化3d網格上的3d cnn取代svm來擴充套件[38]。 [30]為點雲中的三維物體檢測設計新的幾何特徵。 [35,17]將整個場景的點雲轉換為體積網格，並使用3d volumetric cnn 進行物件提議和分類。由於3d卷積和大型3d搜尋空間的耗費，這些方法的計算成本通常相當高。最近，[16]提出了一種2d驅動的3d物體檢測方法，與我們的思想類似。然而，他們使用人工製作的特徵（基於直方圖的點座標）和簡單的全連線網路來回歸3d盒子的位置和姿態，這在速度和效能上都是次優的。相反，我們提出了乙個更加靈活和有效的深度3d特徵學習解決方案（pointnets）。
然後還應該在進行調研，來獲取更為全面的總結。
異常檢測3 常見方法分類
基於線性分析 基於時空 基於相似性分析 基於偏差 高維方法 其他往往只對單獨緯度進行研究，使用上有很大的侷限性 對異常資料和正常資料進行不同的分布假設，並用em演算法擬合資料。侷限性在於假設往往和實際有較大出入，效果一般 在低緯度上分析資料間的相關性。比如pca，factor analysis等。但...
自我檢測3
1模擬實現strncpy 詳見 我的部落格 字串操作函式模擬實現大全 2.模擬實現atoi函式,將數字字串自動轉化為十進位制數字輸出 例如給出字串 12345 輸出12345.劍指office 習題 程式實現 include include includeint my atoi const char...
異常檢測方法
異常檢測可謂是乙個博大精深的研究方向，在故障檢測 欺詐檢測 入侵檢測領域有著廣泛應用。本文只是結合各網路資源對其基礎進行簡單介紹，涉及到具體的領域和實際應用，還需進行深入研究和嘗試。正常狀態不能明確定義 在某些領域正常和異常並沒有明確的界限 資料本身存在雜訊，雜訊和異常難以區分 正常行為並不是一成不...