郭俊，王平
（西华大学 电气与电子信息学院，四川 成都610039）
摘要：提出了一种改进的混合高斯背景模型方法，克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模，减小了每一帧的背景建模区域，同时在提取运动目标区域前先对初提取的前景目标进行中值滤波，减小运动目标区域的范围，进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较，验证了本文算法的高效性。
2025年10月01日
郭俊，王平
（西华大学 电气与电子信息学院，四川 成都610039）
摘要：提出了一种改进的混合高斯背景模型方法，克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模，减小了每一帧的背景建模区域，同时在提取运动目标区域前先对初提取的前景目标进行中值滤波，减小运动目标区域的范围，进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较，验证了本文算法的高效性。
2025年10月01日
原文来源：medium
作者：Vivek Vyas
「机器人圈」编译：嗯~阿童木呀、多啦A亮
众所周知，在实验中我们会遇到各种各样的数据，那么想象一下，如果我们遇到没有标签的数据会发生什么呢？大多数深度学习技术需要干净的标注数据，但这一点现实吗？从技术本质上说，如果你有一组输入及其各自的目标标签，你可以试着去了解特定目标的特定标签概率。当然，现实中图像映射真的会如此美好吗？在这篇文章中，我将探索变分自编码器（VAE），以更深入了解未标记数据的世界。该模型在对没有标签的图像集合进行训练后将产生独特的图像。
2025年10月01日
来源 | 知乎
Particle Filter - Kidnapped vehicle project
Github: https://github.com/williamhyin/CarND-Kidnapped-Vehicle
Email: williamhyin@outlook.com
2025年10月01日
K-Means算法适合处理无标签数据的分类问题，是无监督学习中最常用的算法之一，影响该算法的两大要素是聚类中心和聚类个数K；K-Means++算法基本上解决了聚类中心的问题；而如何选择聚类中心K的个数需要一种新的算法，那就是均值漂移算法-Mean Shift算法。
均值漂移向量:距离
核函数-权重
高斯核函数:很常用
2025年10月01日
高斯混合模型（Gaussian Mixture Model, GMM）是用多个高斯分布函数去近似任意形状的概率分布，所以GMM就是由多个单高斯密度分布（Gaussian）组成的。每个Gaussian叫一个"Component"，这些"Component"线性加和即为 GMM 的概率密度函数。今天就来深度了解高斯混合模型GMM吧！
将待聚类的数据点看成是分布的采样点，通过采样点利用类似极大似然估计的方法估计高斯分布的参数，用EM算法求出参数即得出了数据点对分类的隶属函数。
2025年10月01日
随着3D Gaussian Splatting（3DGS）成为新一代高效三维建模技术，它的自适应特性却悄然埋下了安全隐患。在本篇 ICLR 2025 Spotlight 论文中，研究者们提出首个专门针对3DGS的攻击方法——Poison-Splat，通过对输入图像加入扰动，即可显著拖慢训练速度、暴涨显存占用，甚至导致系统宕机。这一攻击不仅隐蔽、可迁移，还在现实平台中具备可行性，揭示了当前主流3D重建系统中一个未被重视的安全盲区。
2025年10月01日
高斯混合模型（后面本文中将使用他的缩写 GMM）听起来很复杂，其实他的工作原理和 KMeans 非常相似，你甚至可以认为它是 KMeans 的概率版本。 这种概率特征使 GMM 可以应用于 KMeans 无法解决的许多复杂问题。
2025年10月01日
直方图密度函数在密度函数估计中存在不连续性问题，即密度值在相邻区间边界处发生突变。为获得随机变量的连续密度函数估计，核密度估计(Kernel Density Estimation, KDE)提供了有效的解决方案。
核函数本质上是密度估计中用于平滑处理的概率密度函数，通常选择对称核函数。核函数必须满足以下基本性质：非负性、曲线下面积为1、以零为中心、具有非零方差。这些约束条件保证了核函数作为概率密度函数的有效性。