POI推荐综述，非常好的文章，内容很全面，讲解也很通俗易懂

ICP实施 此任务的主要任务是从初始重叠区域开始，尽可能使两个3D几何图形对齐。 一种获得良好结果的广泛使用的算法称为“迭代最近点”（ICP）。 该算法输出由旋转矩阵和平移矢量形成的刚性变换作为输出。 这是为了解决最小化问题而完成的，其中最小化的误差定义如下： 其中p_i是我们要尝试保留的点，而q_i是参考点。 此外，R是我们要查找的旋转矩阵，而t是平移矢量。 当我们想计算最接近的点以匹配两次扫描时，而不是强行强制进行具有O（n ^ 2）复杂度的计算时，可以通过使用将点存储在其中的KD-tree数据结构来大大提高速度基于它们在空间中位置的树。 请注意，K表示点所在的维数，在这种情况下，我们有3D树。 因此，最近邻居搜索的时间复杂度下降为O（log（n））。 ICP的改进 二次抽样 一个非常直接的改进是尝试不使用两次扫描中的所有点。 有两种方法可以正确地对两个扫描进行二次采样，特别是一

TMS320C6748 Fixed- and Floating-Point DSP datasheet (Rev. G).pdf

本共享资源为本人整理；深入浅出；希望对您物有所值；好好学习；天天向上。

PointNet：针对3D分类和分割的点集深度学习 由斯坦福大学的 ，，， 。 介绍 这项工作基于我们的，该将在CVPR 2017中发表。我们为点云（作为无序点集）提出了一种新颖的深层网络架构。 您也可以查看我们的以获得更深入的介绍。 点云是几何数据结构的一种重要类型。 由于格式不规则，大多数研究人员将此类数据转换为规则的3D体素网格或图像集合。 但是，这使数据变得不必要地庞大并引起问题。 在本文中，我们设计了一种直接消耗点云的新型神经网络，该网络很好地考虑了输入中点的排列不变性。 我们的网络名为PointNet，为从对象分类，零件分割到场景语义解析的应用程序提供了统一的体系结构。 虽然很简

本书最初是为了交通工具设计专业的学生撰写的，为了给他们在汽车结构和布局设计方面提供一个更加全面的概述。本书的内容是基于加州 Pasadena (帕萨迪纳)艺术中心设计学院交通工具设计部门参与撰写的。

使用Open3D和PointNet ++进行Semantic3D语义分割 介绍 使用和PointNet ++进行Semantic3D（semantic-8）分割的演示项目。 该项目的目的是展示Open3D在深度学习管道中的用法，并为Semantic3D数据集上的语义分段提供一个干净的基线实现。 这是语义8测试基准页面上的。 是一个开放源代码库，支持快速开发处理3D数据的软件。 Open3D前端使用C ++和Python公开了一组精心选择的数据结构和算法。 后端经过高度优化，并设置为并行化。 我们欢迎开源社区的贡献。 在此项目中，Open3D用于 点云数据的加载，编写和可视化。 Open3D

DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

英文版的功能点FP估算方法手册 Part 3 Examples

meshlab：开源网格处理系统