剛刷了一部分網(wǎng)絡(luò)題，又出了個模板類編程。沒人能從面試中得到自己想要的方法，只能得到能看得到的結(jié)果！！！

一 概率圖模型

???? 貝葉斯模型，真是推導(dǎo)不出來了！貝葉斯函數(shù)貌似也寫不出來了！

???? 參考：斯坦福概率圖模型-貝葉斯網(wǎng)絡(luò) -https://blog.csdn.net/wishchin/article/details/14136257

???? 貝葉斯網(wǎng)絡(luò)，是一個有向無環(huán)圖的網(wǎng)絡(luò)，其中節(jié)點表示的是隨機變量，可以是觀測變量、隱性變量或者參數(shù)等。

??? 馬爾科夫性，來源于自動化領(lǐng)域隨機過程的概念。馬爾科夫決策過程（Markov Decision Process），動態(tài)規(guī)劃（Dynamic Programming）的基礎(chǔ)都是馬爾科夫性質(zhì)/無后效性。

??? 簡言之，*未來與過去無關(guān)，只和現(xiàn)在有關(guān) *
? ? 即： P ( X n + 1 ∣ X 0 , . . . , X n ) = P ( X n + 1 ∣ X n ) P({X_{n+1}|X_0, . . . , X_n}) = P({X_{n+1}|X_n} ) P(Xn+1?∣X0?,...,Xn?)=P(Xn+1?∣Xn?)，

???? HMM網(wǎng)絡(luò)，隱馬爾科夫網(wǎng)絡(luò)。是一種結(jié)構(gòu)最簡單的動態(tài)貝葉斯網(wǎng)的生成模型，為馬爾科夫網(wǎng)絡(luò)添加一個隱層，參考：HMM模型，訓(xùn)練算法有前向，后向，以及著名的維比特算法。

???? CRF，條件隨機場，是遵循馬爾科夫性的概率圖網(wǎng)絡(luò)，是一個典型的有向圖網(wǎng)絡(luò)，CRF是一個判別式模型。

???? HMM模型訓(xùn)練最終會收斂到一個穩(wěn)定的轉(zhuǎn)移矩陣。CRF模型用于圖像分割，即(CRF)用于pixel-wise的圖像標(biāo)記。最小化CRF圖像標(biāo)記gIbbs能量得到的勢函數(shù)，即完成最優(yōu)分割的過程。

???????????????

???? 參考：ANN-生成式模型-https://blog.csdn.net/wishchin/article/details/45101251

???? 參考：Time Analsisy HMM-model :https://blog.csdn.net/wishchin/article/details/51594271

???? 參考：從感知機到深度網(wǎng)絡(luò)-https://blog.csdn.net/wishchin/article/details/45067177

???? 參考：神經(jīng)網(wǎng)絡(luò)進行降維--https://blog.csdn.net/wishchin/article/details/45287125

???? CRF模型作為經(jīng)典的傳統(tǒng)分割方法，曾得到廣泛的應(yīng)用。在DeepLab中也使用了CRF方法作為精細調(diào)整。

? ?? 生成式模型是06年深度學(xué)習(xí)的討論基礎(chǔ)，通過大量數(shù)據(jù)預(yù)訓(xùn)練，學(xué)習(xí)出波爾茲曼機參數(shù)，得到的生成結(jié)構(gòu)，是結(jié)構(gòu)學(xué)習(xí)的基礎(chǔ)。但此后的深度學(xué)習(xí)并沒有在此路徑上取得好的成果，指導(dǎo)2012年的Alexnet在CNN上的巨大成功，才引領(lǐng)學(xué)習(xí)模型從傳統(tǒng)方法到深度方法的演進。

?

二? 模板類

????? PCL算法庫幾乎完全使用模板庫編程，以適應(yīng)各種類型的點云數(shù)據(jù)，使用PointT代替PointRGBAX...之類的;

????? 以RanSac為例，SampleConsensus 貌似是一個抽象類

template <typename PointT>class RandomSampleConsensus : public SampleConsensus<PointT>{typedef typename SampleConsensusModel<PointT>::Ptr SampleConsensusModelPtr;public:typedef boost::shared_ptr<RandomSampleConsensus> Ptr;typedef boost::shared_ptr<const RandomSampleConsensus> ConstPtr;using SampleConsensus<PointT>::max_iterations_;using SampleConsensus<PointT>::threshold_;using SampleConsensus<PointT>::iterations_;using SampleConsensus<PointT>::sac_model_;using SampleConsensus<PointT>::model_;using SampleConsensus<PointT>::model_coefficients_;using SampleConsensus<PointT>::inliers_;using SampleConsensus<PointT>::probability_;/** \brief RANSAC (RAndom SAmple Consensus) main constructor* \param[in] model a Sample Consensus model*/RandomSampleConsensus (const SampleConsensusModelPtr &model) : SampleConsensus<PointT> (model){// Maximum number of trials before we give up.max_iterations_ = 10000;}/** \brief RANSAC (RAndom SAmple Consensus) main constructor* \param[in] model a Sample Consensus model* \param[in] threshold distance to model threshold*/RandomSampleConsensus (const SampleConsensusModelPtr &model, double threshold) : SampleConsensus<PointT> (model, threshold){// Maximum number of trials before we give up.max_iterations_ = 10000;}/** \brief Compute the actual model and find the inliers* \param[in] debug_verbosity_level enable/disable on-screen debug information and set the verbosity level*/bool computeModel (int debug_verbosity_level = 0);}; }

?

總結(jié)

以上是生活随笔為你收集整理的三维重建16：概率图模型 模板类编程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。