4.2 语义场景标注的点集分割 为了验证我们的方法适用于大规模点云分析，我们还评估了语义场景标记 任务。 目标是预测室内扫描中点的语义对象标签。 [5]在体素扫描上使用 完全卷积神经网络提供基线。 它们纯粹依赖于扫描几何体而不是 RGB 信 息，并以每个体素为基础报告精度。 为了进行公平的比较，我们在所有 实验中删除了 RGB 信息，并在[5]之后将点云标签预测转换为体素标签。 我们还与[20]进行了比较。 在图 5（蓝色条）中以每个体素为基础报告准 确度。 我们的方法大大优于所有基线方法。 与在体素扫描中学习的[5]相比，我 们直接学习点云以避免额外的量化误差，并进行数据相关采样以允许更有 效的学习。 与[20]相比，我们的方法引入了分层特征学习并捕获不同尺度 的几何特征。 这对于理解多个级别的场景和标记各种大小的对象非常重 要。 我们将示例场景标记结果可视化为图 6。

经典的点集拓扑入门教材,很多院校本科生用这个书

为了解决部分对应点集之间的刚体配准问题,本文提出了一种基于粒子滤波的刚体配准算法.该方法将部分对应点集配准问题转化成相应的状态估计问题,通过采用基于配准误差驱动的运动模型及设计基于迭代最近点原理的观测模型,从而提出了基于粒子滤波的配准算法解决部分对应点集的刚体配准问题.实验结果验证了本文所提出算法的有效性.

简单易懂的拓扑入门讲义，104页，欢迎大家下载

拓扑学经典教材之一，可以对学习拓扑学和写图的代码的时候提供帮助

LLOYDSALGORITHM 对 xy 位置的粒子运行劳埃德算法(Px,Py) 在边界多边形 crs 内进行 numIterations 迭代showPlot = true 将以图形方式显示结果。 劳埃德算法从样本的初始分布或点并由重复执行一个松弛步骤组成： 1. 计算所有点的 Voronoi 图。 2.对Voronoi图的每个单元格进行积分并计算质心。 3. 然后将每个点移动到其 Voronoi 单元的质心。 灵感来自http://www.mathworks.com/matlabcentral/fileexchange/34428-voronoilimit 需要运行映射工具箱的Polybool功能。 在没有输入的情况下运行以查看示例。 用 50 个机器人初始化一个正方形在左中间，运行： lloydsAlgorithm(0.01*rand(50,1),zeros(50,1)+1/2, [

从准蒙特卡罗点集生成准随机多元高斯行向量。

2012版新书。对伺服控制的讲解，主要是电机及其驱动器的讲解。应用领域是数控雕刻机，数控车床。

本文参考自<>章节33.3 寻找凸包,用C++实现了,Grahan和Jarvis两种算法求平面散点集的凸包,注释详细,代码精简,并用OpenGL绘制出所求结果予以验证.

针对粒子群优化算法局部搜索能力不足和易出现早熟收敛的问题，提出一种基于动态随机搜索和佳点集构造的改进粒子群优化算法。该算法通过引入动态随机搜索技术，对种群当前最优位置进行局部搜索；采用佳点集构造对陷入早熟收敛的种群重新初始化；引入负梯度方向直线搜索来加速算法寻优。仿真实验结果表明，与标准粒子群优化(SPSO)算法和耗散粒子群优化(DPSO)算法比较，提出的改进算法具有快速的收敛能力而且能有效地跳出局部最优，优化性能得到明显提高。